JP6951750B2 - Automatic diagnostic device - Google Patents

Automatic diagnostic device Download PDF

Info

Publication number
JP6951750B2
JP6951750B2 JP2017545473A JP2017545473A JP6951750B2 JP 6951750 B2 JP6951750 B2 JP 6951750B2 JP 2017545473 A JP2017545473 A JP 2017545473A JP 2017545473 A JP2017545473 A JP 2017545473A JP 6951750 B2 JP6951750 B2 JP 6951750B2
Authority
JP
Japan
Prior art keywords
ankle
trajectory
data
sensor
motion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2017545473A
Other languages
Japanese (ja)
Other versions
JPWO2017065241A1 (en
Inventor
三宅 美博
美博 三宅
祐樹 廣部
祐樹 廣部
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Institute of Technology NUC
Original Assignee
Tokyo Institute of Technology NUC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tokyo Institute of Technology NUC filed Critical Tokyo Institute of Technology NUC
Publication of JPWO2017065241A1 publication Critical patent/JPWO2017065241A1/en
Priority to JP2021150341A priority Critical patent/JP7184398B2/en
Application granted granted Critical
Publication of JP6951750B2 publication Critical patent/JP6951750B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Description

本発明は、パーキンソン病等の脳神経性疾患の病理診断装置に関する。 The present invention relates to a pathological diagnostic apparatus for neurological diseases such as Parkinson's disease.

パーキンソン病(PD)は、脳内のドーパミン不足とアセチルコリンの相対的増加とを病態とし、錐体外路系徴候を示す進行性の疾患である。神経変性疾患の一つであり、日本では難病(特定疾患)に指定されている。PD患者は重症者数だけでも国内に15万人以上存在し、その数は急速に増加しつつある。 Parkinson's disease (PD) is a progressive disease with extrapyramidal symptoms, with a deficiency of dopamine in the brain and a relative increase in acetylcholine. It is one of the neurodegenerative diseases and is designated as an intractable disease (specific disease) in Japan. There are more than 150,000 PD patients in Japan in terms of the number of severely ill patients, and the number is increasing rapidly.

症状は運動性と非運動性に大別されるが、顕著な運動障害が現れるところに大きい特徴がある。これは安静時震戦(ふるえ)、姿勢反射障害(姿勢異常)、すくみ足などの歩行障害などに分けられ、医師が病期を診断する上で重要な手掛かりとなっている。 Symptoms are broadly divided into motility and non-motility, and are characterized by the appearance of marked dyskinesia. This is divided into resting tremor (tremor), postural instability (postural instability), and gait disturbance such as freezing legs, and is an important clue for doctors to diagnose the stage.

特開2011−177278号公報Japanese Unexamined Patent Publication No. 2011-177278

PDの診断では上記の運動障害以外にも、CT等による画像所見やL-ドパ投与の効果など複合的な視点からなされる。しかし運動障害の所見だけが医師の目視による評価に依存しており、その定量性や客観性において大きい問題が残されていた。 In addition to the above-mentioned movement disorders, PD is diagnosed from multiple viewpoints such as imaging findings by CT and the effect of L-dopa administration. However, only the findings of movement disorders depended on the visual evaluation of doctors, and there remained a big problem in their quantitativeness and objectivity.

一例として、PDの病期の診断に用いられる指標として広く使われているものとしてHoehn-Yahr分類が知られている。もし、このようなPD患者の運動障害を簡便に計測し評価することでPDの病期を自動診断するシステムが構築できれば、それは治療に携わる医師や患者にとって福音となるものであろう。このような自動診断システムは、PDに限らず、脳卒中や認知症などその他の運動障害をともなうさまざまな脳神経性疾患に関しても有用である。 As an example, the Hoehn-Yahr classification is known as a widely used index used for diagnosing the stage of PD. If a system for automatically diagnosing the stage of PD can be constructed by simply measuring and evaluating the movement disorder of such PD patients, it will be a gospel for doctors and patients involved in treatment. Such an automatic diagnostic system is useful not only for PD but also for various neurological diseases associated with other movement disorders such as stroke and dementia.

本発明は係る状況においてなされたものであり、そのある態様の例示的な目的のひとつは、病期、進行度などを簡便かつ、定量的あるいは客観的に測定可能な脳神経性疾患の自動診断装置の提供にある。 The present invention has been made in such a situation, and one of the exemplary purposes of the embodiment is an automatic diagnostic device for neurological diseases that can easily, quantitatively or objectively measure the stage, the degree of progression, and the like. Is in the offer.

本発明のある態様によれば、脳神経性疾患を自動診断する装置が提供される。この自動診断装置は、脳神経性疾患のPD患者の病期、進行度などを診断するために、患者の身体運動のうち姿勢、振動、歩行に注目し、それらの少なくともひとつに現れる運動障害を簡便かつ定量的に計測し、それに基づいて病気、進行度を診断する。 According to an aspect of the present invention, there is provided an apparatus for automatically diagnosing a cranial nerve disease. This automatic diagnostic device focuses on posture, vibration, and walking among the patient's physical movements in order to diagnose the stage, progression, etc. of PD patients with neurological diseases, and simplifies the movement disorders that appear in at least one of them. In addition, it is measured quantitatively, and the disease and the degree of progression are diagnosed based on it.

具体的には、姿勢計測から姿勢反射障害としての姿勢異常に関わる特徴量を、振動計測から安静時震戦としてのふるえに関わる特徴量を、歩行計測から、歩行障害としてのすくみ足に関わる特徴量を評価してもよい。このようにして得られる特徴量を少なくともひとつ含む特徴ベクトル(すなわち1次元を含む)を構成し、機械学習に基づいて自動診断装置を構築してもよい。 Specifically, from posture measurement, feature quantities related to posture abnormalities as postural instability, from vibration measurement, feature quantities related to tremor as a resting tremor, and from gait measurement, features related to freezing legs as gait disturbance. The quantity may be evaluated. A feature vector (that is, including one dimension) including at least one feature quantity thus obtained may be constructed, and an automatic diagnostic apparatus may be constructed based on machine learning.

なお、以上の構成要素を任意に組み合わせたもの、あるいは本発明の表現を、方法、装置などの間で変換したものもまた、本発明の態様として有効である。 It should be noted that an arbitrary combination of the above components or a conversion of the expression of the present invention between methods, devices and the like is also effective as an aspect of the present invention.

本発明のある態様によれば病期、進行度などを簡便かつ、定量的あるいは客観的に測定できる。 According to a certain aspect of the present invention, the stage, the degree of progression, and the like can be measured easily, quantitatively, or objectively.

実施の形態に係る自動診断装置のブロック図である。It is a block diagram of the automatic diagnostic apparatus which concerns on embodiment. Hoehn-Yahr分類を説明する図である。It is a figure explaining Hoehn-Yahr classification. 自動診断装置のブロック図である。It is a block diagram of an automatic diagnostic apparatus. 図4(a)〜(d)は、姿勢計測を説明する図である。4 (a) to 4 (d) are diagrams for explaining posture measurement. 図5(a)、(b)は、若年健常者、PD患者それぞれについて実際に得られた左右方向の傾きφおよび前後の傾きθを示す図である。5 (a) and 5 (b) are diagrams showing the inclination φ in the left-right direction and the inclination θ in the front-back direction actually obtained for each of the young healthy subject and the PD patient. 図6(a)は、センサの配置の別の一例を示す図であり、図6(b)は、前腕および上腕を示す図である。FIG. 6A is a diagram showing another example of sensor arrangement, and FIG. 6B is a diagram showing a forearm and an upper arm. 図7(a)〜(d)は、勾配φおよびθの特徴ベクトルとして、平均、時間、分散、尖度を次元平面にプロットした図である。7 (a) to 7 (d) are diagrams in which the average, time, variance, and kurtosis are plotted on a dimensional plane as feature vectors of gradients φ and θ. 図8(a)〜(d)は、4群それぞれについて得られた左右方向の傾きφおよび前後の傾きθの30秒間の軌跡を示す図である。8 (a) to 8 (d) are diagrams showing the loci of the left-right inclination φ and the front-back inclination θ obtained for each of the four groups for 30 seconds. Kruskal-Wallisテストの結果を示す図である。It is a figure which shows the result of the Kruskal-Wallis test. 図10(a)〜(c)は、坐位時、立位時、歩行時それぞれにおける背中の前後の傾きの平均と分散の各群の値を示す図である。10 (a) to 10 (c) are diagrams showing the values of each group of the average and dispersion of the anterior-posterior inclination of the back when sitting, standing, and walking, respectively. 図11(a)は、若年健常者とPD患者の分類器の一例を示す図であり、図11(b)は、PD患者の軽度と重度の分類器の一例を示す図である。FIG. 11A is a diagram showing an example of a classifier for a young healthy person and a PD patient, and FIG. 11B is a diagram showing an example of a mild and severe classifier for a PD patient. 図12(a)〜(e)は、振動計測を説明する図である。12 (a) to 12 (e) are diagrams for explaining vibration measurement. 図13(a)、(b)は、PD患者および健常者の振動計測の結果を示す図である。13 (a) and 13 (b) are diagrams showing the results of vibration measurement of PD patients and healthy subjects. 図14(a)、(b)は、健常者とPD患者それぞれについて測定した、安静時震戦のパワースペクトルとその時間波形を示す図である。14 (a) and 14 (b) are diagrams showing the power spectrum of the resting tremor and its time waveform measured for each of the healthy subject and the PD patient. 姿勢時震戦と安静時震戦の4〜6Hzのパワーを2次元平面にプロットした図である。It is the figure which plotted the power of 4 to 6 Hz of the posture tremor and the rest tremor on a two-dimensional plane. PD患者について測定した右手人差し指の加速度ノルムの時間波形図である。It is a time waveform diagram of the acceleration norm of the right index finger measured for a PD patient. 図17(a)、(b)は、健常者とPD患者について測定された安静時震戦のパワースペクトルを示す図である。17 (a) and 17 (b) are diagrams showing the power spectra of resting tremor measured for healthy subjects and PD patients. 図18(a)は、若年健常者とPD患者の分類器の一例を示す図であり、図18(b)は、PD患者の軽度と重度の分類器の一例を示す図である。FIG. 18A is a diagram showing an example of a classifier for a young healthy person and a PD patient, and FIG. 18B is a diagram showing an example of a mild and severe classifier for a PD patient. Z軸の角速度データを示す図である。It is a figure which shows the angular velocity data of a Z axis. 軌道推定のフローチャートである。It is a flowchart of orbit estimation. 図21(a)は、X軸角度の補正を説明する図であり、図21(b)は、実施の形態に係る推定手法により、歩行時の加速度および角速度データから得られた足首の三次元軌道(1周期分)を示す図である。FIG. 21 (a) is a diagram for explaining the correction of the X-axis angle, and FIG. 21 (b) is a three-dimensional ankle obtained from acceleration and angular velocity data during walking by the estimation method according to the embodiment. It is a figure which shows the orbit (for one cycle). 横軸に前後方向を、縦軸に高さ方向をとったときの足首の軌道を示す図である。It is a figure which shows the trajectory of the ankle when the horizontal axis is the anteroposterior direction, and the vertical axis is a height direction. 歩行軌道に関する特徴量を説明する図である。It is a figure explaining the feature quantity about a walking trajectory. 図24(a)、(b)は、主成分分析における第一主成分と第二主成分の因子負荷量を示す図である。FIGS. 24 (a) and 24 (b) are diagrams showing factor loadings of the first principal component and the second principal component in the principal component analysis. 複数の参加者の歩行状態をプロットした特徴空間を示す図である。It is a figure which shows the feature space which plotted the walking state of a plurality of participants. 図26(a)は、軽度PD群と健常高齢群にSVMを適用した結果を示す図であり、図26(b)は、軽度PD群と重度PD群にSVMを行った結果を示す図である。FIG. 26 (a) is a diagram showing the results of applying SVM to the mild PD group and the healthy elderly group, and FIG. 26 (b) is a diagram showing the results of applying SVM to the mild PD group and the severe PD group. be. 若年健常者とHoehn-Yahr分類1度と2度のそれぞれの特徴ベクトル上での分布の一例を示す図である。It is a figure which shows an example of the distribution on the feature vector of a young healthy person and Hoehn-Yahr classification 1 degree and 2 degree respectively. 指先の振動計測データを基に、SVMを用いて構築した若年健常者とPD患者とを分類する識別器の一例を示す図である。It is a figure which shows an example of the classifier which classifies a young healthy person and a PD patient constructed by using SVM based on the vibration measurement data of a fingertip.

以下、本発明を好適な実施の形態をもとに図面を参照しながら説明する。各図面に示される同一または同等の構成要素、部材、処理には、同一の符号を付するものとし、適宜重複した説明は省略する。また、実施の形態は、発明を限定するものではなく例示であって、実施の形態に記述されるすべての特徴やその組み合わせは、必ずしも発明の本質的なものであるとは限らない。 Hereinafter, the present invention will be described with reference to the drawings based on preferred embodiments. The same or equivalent components, members, and processes shown in the drawings shall be designated by the same reference numerals, and redundant description will be omitted as appropriate. Further, the embodiment is not limited to the invention, but is an example, and all the features and combinations thereof described in the embodiment are not necessarily essential to the invention.

図1は、実施の形態に係る自動診断装置のブロック図である。この自動診断装置1は、運動障害をともなう脳神経性疾患の患者を診断し、診断結果を示す診断データS4を生成する。診断データS4は、病期、進行度、予兆などを示す指標であってもよい。本実施の形態では、理解の容易化のため、PDを対象とした自動診断装置1について説明するものとし、診断データS4は、PDの病気に関連するHoehn-Yahr分類(1〜6)を示すものとする。 FIG. 1 is a block diagram of an automatic diagnostic device according to an embodiment. This automatic diagnostic device 1 diagnoses a patient with a cranial nerve disease associated with a movement disorder, and generates diagnostic data S4 showing the diagnosis result. The diagnostic data S4 may be an index indicating a stage, a degree of progression, a sign, and the like. In the present embodiment, for the sake of facilitation of understanding, the automatic diagnostic apparatus 1 for PD will be described, and the diagnostic data S4 shows Hoehn-Yahr classification (1 to 6) related to PD diseases. It shall be.

図2は、Hoehn-Yahr分類を説明する図である。修正版Hoehn-Yahr分類において、姿勢反射障害を伴う2.5−4度を重度(Severe)、伴わない1〜2度を軽度(Mild)と分類する場合もあり、自動診断装置1は、重度か軽度を示す診断データS4を生成してもよい。 FIG. 2 is a diagram illustrating the Hoehn-Yahr classification. In the modified Hoehn-Yahr classification, 2.5-4 degrees with postural instability may be classified as severe (Severe), and 1-2 degrees without postural instability may be classified as mild (Mild). Diagnostic data S4 indicating mildness may be generated.

図1に戻る。自動診断装置1は、運動計測部10、特徴抽出部20、インタープリタ30を備える。運動計測部10は、患者2の運動S1を測定する。具体的には運動計測部10は、患者2の(i)姿勢、(ii)振動(ふるえ)、(iii)歩行のうち、少なくとも(i)姿勢および(ii)振動(ふるえ)の一方を測定する。運動S1は、たとえば患者2に取り付けられたひとつまたは複数のセンサ12によって測定することができる。運動計測部10は、センサ12の出力をデジタルデータに変換することにより、運動S1を示す計測データS2を生成する。センサは、加速度センサ、速度センサ、ジャイロセンサ、地磁気センサ、などさまざまなものを利用しうる。計測データS2は、運動S1の時間波形を示す。センサ12はワイヤレスでもよいし、ワイヤー接続されてもよい。あるいはセンサ12に代えて、あるいはそれに加えて、患者2のひとつまたは複数の特定部位に、マーカ14を取り付けてビデオカメラを用いて観察し、マーカ14の動きにもとづいて運動S1を測定してもよい。 Return to FIG. The automatic diagnostic device 1 includes a motion measurement unit 10, a feature extraction unit 20, and an interpreter 30. The exercise measuring unit 10 measures the exercise S1 of the patient 2. Specifically, the motion measurement unit 10 measures at least one of (i) posture, (ii) vibration (tremor), and (iii) walking of patient 2, (i) posture and (ii) vibration (tremor). do. Exercise S1 can be measured, for example, by one or more sensors 12 attached to patient 2. The motion measurement unit 10 generates measurement data S2 indicating motion S1 by converting the output of the sensor 12 into digital data. As the sensor, various sensors such as an acceleration sensor, a speed sensor, a gyro sensor, and a geomagnetic sensor can be used. The measurement data S2 shows the time waveform of the exercise S1. The sensor 12 may be wireless or may be wire-connected. Alternatively, instead of or in addition to the sensor 12, a marker 14 may be attached to one or more specific parts of the patient 2 for observation using a video camera, and the movement S1 may be measured based on the movement of the marker 14. good.

特徴抽出部20は、計測データS2にもとづき、特徴量(Feature Value)S3を抽出する。特徴量S3としては、ある計測データの時間波形に関して、平均(Average)、分散(Variance)、歪度(Skewness)、尖度(Kurtosis)、スペクトルなどが例示される。あるいは複数の計測データS2が得られる場合、それらの差や和、積、相関などを、特徴量S3としてもよい。運動の種類と、特徴量は、診断対象とする病気に応じて定めればよい。これについては後述する。 The feature extraction unit 20 extracts the feature value (Feature Value) S3 based on the measurement data S2. Examples of the feature amount S3 include average, variance, skewness, kurtosis, spectrum, and the like with respect to the time waveform of a certain measurement data. Alternatively, when a plurality of measurement data S2 are obtained, the difference, sum, product, correlation, and the like thereof may be used as the feature amount S3. The type of exercise and the amount of features may be determined according to the disease to be diagnosed. This will be described later.

複数の特徴量S3が測定される場合、それらの組み合わせはベクトル(以下、特徴ベクトル)と理解することができる。単一の特徴量S3に関しても、1次元の特徴ベクトルと解釈することができ、したがって以下では、特徴量S3の個数にかかわらず、特徴ベクトルS3とも称することとする。 When a plurality of feature quantities S3 are measured, their combination can be understood as a vector (hereinafter, feature vector). A single feature amount S3 can also be interpreted as a one-dimensional feature vector. Therefore, in the following, it will also be referred to as a feature vector S3 regardless of the number of feature amounts S3.

インタープリタ(意味理解部)30は、計算した特徴ベクトルS3を、データベース32と照合することで、診断データS4を生成する。データベース32は事前の機械学習により生成することができる。すなわち、あらかじめ、若年健常者、健常高齢者、Hoehn-Yahr分類の度数の異なる対象疾患罹患者の計測データ(学習用サンプルともいう)S2を集める。そしてインタープリタ30は、学習用サンプルから得られる特徴ベクトルS3とHoehn-Yahr分類の度数の相関を見いだす。具体的には特徴ベクトルの空間において、Hoehn-Yahr分類の度数の境界となる超平面を学習し、識別器を構成する。インタープリタ30は、たとえばサポートベクターマシーン等のパターン分類器や主成分分析を用いてデータベース32を参照し、Hoehn-Yahr分類の度数を判定することができる。 The interpreter (semantic understanding unit) 30 generates diagnostic data S4 by collating the calculated feature vector S3 with the database 32. The database 32 can be generated by prior machine learning. That is, measurement data (also referred to as a learning sample) S2 of young healthy persons, healthy elderly persons, and persons suffering from target diseases having different frequencies of Hoehn-Yahr classification are collected in advance. Then, the interpreter 30 finds a correlation between the feature vector S3 obtained from the training sample and the frequency of the Hoehn-Yahr classification. Specifically, in the space of the feature vector, the hyperplane that is the boundary of the frequency of the Hoehn-Yahr classification is learned, and the classifier is constructed. The interpreter 30 can refer to the database 32 by using a pattern classifier such as a support vector machine or principal component analysis, and can determine the frequency of the Hoehn-Yahr classification.

なおデータベース32は、患者2のプロパティ、すなわち属性あるいは特性ごとに生成してもよい。たとえば若年者と高齢者とでは、Hoehn-Yahr分類の度数が同じであったとしても、特徴ベクトルS3が異なる傾向を示す場合もあり得る。この場合、年齢層ごとに個別のデータベース32を生成してもよい。年齢の他、性別、体格ごとにグループ化し、個別のデータベース32を構築してもよい。 The database 32 may be generated for each property of the patient 2, that is, an attribute or a characteristic. For example, the feature vector S3 may tend to be different between the young and the elderly even if the frequency of the Hoehn-Yahr classification is the same. In this case, a separate database 32 may be generated for each age group. In addition to age, individual databases 32 may be constructed by grouping by gender and physique.

また自動診断装置1の運用にあたり、新たに測定された特徴ベクトルS3を、データベース32に反映させるべく、都度データベース32を更新するようにしてもよい。データベース32は、自動診断装置1の一部、あるいはそれに付随するコンピュータのハードディスクに格納されていてもよいい。あるいはデータベース32は、自動診断装置1とネットワークを介して接続されるサーバー上に格納されてもよい。サーバー上にデータベース32を格納することで、多くの医療機関で情報を共有することができ、これにより被験者数を増やすことができるため、データベース32を充実化させ、診断の精度を高めることができる。また、機械学習では、学習サンプル数の増加にともない演算量が爆発的に増加することからも、データベース32を分割することは有意義である。 Further, in the operation of the automatic diagnostic apparatus 1, the database 32 may be updated each time in order to reflect the newly measured feature vector S3 in the database 32. The database 32 may be stored in a part of the automatic diagnostic apparatus 1 or a hard disk of a computer associated therewith. Alternatively, the database 32 may be stored on a server connected to the automatic diagnostic device 1 via a network. By storing the database 32 on the server, information can be shared by many medical institutions, which can increase the number of subjects, so that the database 32 can be enriched and the accuracy of diagnosis can be improved. .. Further, in machine learning, it is meaningful to divide the database 32 because the amount of calculation increases explosively as the number of learning samples increases.

また、自動診断装置1をクラウドコンピューティングのアーキテクチャを用いて実装してもよい。たとえば、特徴抽出部20やインタープリタ30の処理の一部あるいは全部を、クラウド上のサーバに実行させてもよい。 Further, the automatic diagnostic apparatus 1 may be implemented using a cloud computing architecture. For example, a server on the cloud may execute a part or all of the processing of the feature extraction unit 20 and the interpreter 30.

特徴抽出部20およびインタープリタ30は、コンピュータで構成することができ、すなわちそれらはCPU、メモリなどのハードウェアと、ソフトウェアの組み合わせでありうる。 The feature extraction unit 20 and the interpreter 30 can be configured by a computer, that is, they can be a combination of hardware such as a CPU and memory and software.

以上が自動診断装置1の基本構成である。続いて自動診断装置1について具体的に説明する。図3は、自動診断装置1のブロック図である。なお図3のブロック図において、運動計測部10の内部に患者2が示されているが、これは説明の便宜のためであり、患者2が自動診断装置1の構成要素でないことは言うまでもない。 The above is the basic configuration of the automatic diagnostic apparatus 1. Subsequently, the automatic diagnostic apparatus 1 will be specifically described. FIG. 3 is a block diagram of the automatic diagnostic apparatus 1. Although the patient 2 is shown inside the motion measuring unit 10 in the block diagram of FIG. 3, it is needless to say that the patient 2 is not a component of the automatic diagnostic apparatus 1 for convenience of explanation.

本実施の形態において、運動計測部10は、患者2の運動として、(i)姿勢、(ii)振動、(iii)歩行を計測し、それぞれを示す計測データS2A〜S2Cを生成する。計測データS2は、ウェアラブルセンサ12により測定される。ウェアラブルセンサ12としては患者2の身体に装着可能な小型の6軸センサ(加速度3軸と角速度3軸)を用いることができる。時間分解能は100Hz以上、加速度レンジは±2g/16bit以上、角速度レンジは±250dps/16bit以上の性能を持つものが望ましい。加速度情報から身体の並進運動および重力加速度の方向に対する傾きを評価し、角速度情報から回転運動を評価する。運動計測部10において得られた計測データS2は、有線あるいは無線でコンピュータ(すなわち特徴抽出部20およびインタープリタ30)に入力され、オンラインあるいはオフラインでデータ分析がなされる。なおセンサの装着位置および特徴量の抽出方法については、姿勢計測、振動計測、歩行計測で異なるため、後に個別に詳述する。 In the present embodiment, the exercise measurement unit 10 measures (i) posture, (ii) vibration, and (iii) walking as the exercise of the patient 2, and generates measurement data S2A to S2C indicating each of them. The measurement data S2 is measured by the wearable sensor 12. As the wearable sensor 12, a small 6-axis sensor (acceleration 3 axes and angular velocity 3 axes) that can be worn on the body of the patient 2 can be used. It is desirable that the time resolution is 100 Hz or more, the acceleration range is ± 2 g / 16 bit or more, and the angular velocity range is ± 250 dps / 16 bit or more. The translational motion of the body and the inclination of the gravitational acceleration in the direction are evaluated from the acceleration information, and the rotational motion is evaluated from the angular velocity information. The measurement data S2 obtained by the motion measurement unit 10 is input to a computer (that is, the feature extraction unit 20 and the interpreter 30) by wire or wirelessly, and data analysis is performed online or offline. The mounting position of the sensor and the extraction method of the feature amount are different for posture measurement, vibration measurement, and walking measurement, and will be described in detail later.

特徴抽出部20は、計測データS2A〜S2Cそれぞれについて、特徴量S3A〜S3Cを生成する。具体的には特徴抽出部20は加速度の積分系、角速度の積分系および補正アルゴリズム等によって推定された姿勢や振動、歩行等の運動から、特徴量S3A〜S3Cを抽出する。これらの特徴量S3A〜S3Cは、特徴ベクトルS3としてインタープリタ30に入力される。 The feature extraction unit 20 generates feature quantities S3A to S3C for each of the measurement data S2A to S2C. Specifically, the feature extraction unit 20 extracts feature quantities S3A to S3C from motions such as posture, vibration, and walking estimated by an acceleration integration system, an angular velocity integration system, a correction algorithm, and the like. These feature quantities S3A to S3C are input to the interpreter 30 as feature vectors S3.

インタープリタ30は、データベース32を参照し、機械学習にもとづいてベクトル空間内の超平面(度数のしきい値)を決定し、超平面と特徴抽出部20からの特徴ベクトルS3にもとづいて病期を分類する。 The interpreter 30 refers to the database 32, determines the hyperplane (limit of frequency) in the vector space based on machine learning, and determines the stage based on the hyperplane and the feature vector S3 from the feature extraction unit 20. Classify.

以下、自動診断装置1において測定される運動の種類ごとに、具体的に説明する。 Hereinafter, each type of exercise measured by the automatic diagnostic apparatus 1 will be specifically described.

1. 姿勢評価
姿勢評価では、PD患者の姿勢反射障害に注目する。これは立位時に鉛直方向体軸が前後や左右方向に傾く症状であり、体軸方向に複数装着した加速度センサ群から得られる重力加速度の軸に対する角度情報を主として利用する。前後方向の傾き(勾配)、左右方向の傾き、さらにそれらの空間相関や時間変動等を特徴量として利用することができる。
1. 1. Postural evaluation Postural evaluation focuses on postural instability in PD patients. This is a symptom that the vertical body axis tilts in the front-back or left-right direction when standing, and the angle information with respect to the axis of gravitational acceleration obtained from a group of multiple accelerometers mounted in the body axis direction is mainly used. The inclination (gradient) in the front-back direction, the inclination in the left-right direction, the spatial correlation between them, the time variation, and the like can be used as feature quantities.

計測時の姿勢としては、立位姿勢、座位姿勢、歩行時姿勢の3種類が例示される。立位とは手を体側で垂直におろし立ち上がった姿勢であり、座位とは背もたれに背をつけずに座っている際の姿勢である。さらに歩行時とは直線を一往復往路復路合計1分程度歩行する際のものである。 Three types of postures at the time of measurement are exemplified: a standing posture, a sitting posture, and a walking posture. The standing position is a posture in which the hands are vertically lowered on the body side, and the sitting position is a posture in which the person is sitting without the backrest. Furthermore, walking is when walking on a straight line for a total of about 1 minute on the outbound and inbound routes.

1.1 姿勢計測
姿勢計測に際しては、センサ12の装着部位とその時の患者の姿勢が重要になる。装着部位としては様々な位置が考えられる。図4(a)〜(d)は、姿勢計測を説明する図である。図4(a)、(b)にはセンサの配置の一例が示される。この例では、関椎骨のC7から10cm下およびL4それぞれに、センサ12_1、12_2が装着されている。C7は頭を下に下げたときに首の後ろで一番出っ張る箇所であり、主として背中の状態を検出する。L4は腰の骨の上端を結ぶヤコビ線と腰椎の交点であり、主として腰の状態を検出する。これらの組み合わせは、病期診断に有用な姿勢を正確に測定できるという特徴に加えて、センサ12を患者2に取り付ける際に、取り付け位置を判断しやすいという利点もある。
1.1 Posture measurement In posture measurement, the mounting site of the sensor 12 and the posture of the patient at that time are important. Various positions can be considered as the mounting site. 4 (a) to 4 (d) are diagrams for explaining posture measurement. FIGS. 4A and 4B show an example of sensor arrangement. In this example, sensors 12_1 and 12_2 are attached to C7 and L4 of the Seki vertebra, respectively. C7 is the most protruding part behind the neck when the head is lowered, and mainly detects the condition of the back. L4 is the intersection of the Jacoby's line connecting the upper ends of the hip bones and the lumbar spine, and mainly detects the state of the hips. In addition to the feature that these combinations can accurately measure the posture useful for stage diagnosis, there is also an advantage that when the sensor 12 is attached to the patient 2, the attachment position can be easily determined.

姿勢は、図4(c)、(d)に示すように、前後方向の傾きθと、左右方向の傾きφの組み合わせで評価することができる。重力加速度をaとするとき、前後方向の傾きθは、以下の式で表される。X軸は、患者の右手方向を、Y軸は前方向を、Z軸は鉛直方向を表し、添え字のx,y,zは各方向の成分を示す。
θ=arctan(az/ax) …ax>0
θ=arctan(az/ax)+π …ax<0 and az>0
θ=arctan(az/ax)−π …ax<0 and az<0
θ=π/2 …ax=0 and az>0
θ=−π/2 …ax=0 and az<0
θ:定義無し …ax=0 and az=0
As shown in FIGS. 4C and 4D, the posture can be evaluated by a combination of the inclination θ in the front-rear direction and the inclination φ in the left-right direction. When the gravitational acceleration is a, the inclination θ in the front-rear direction is expressed by the following equation. The X-axis represents the patient's right-hand direction, the Y-axis represents the anterior direction, the Z-axis represents the vertical direction, and the subscripts x, y, and z indicate the components in each direction.
θ = arctan (a z / a x )… a x > 0
θ = arctan (a z / a x ) + π… a x <0 and a z > 0
θ = arctan (a z / a x ) −π… a x <0 and a z <0
θ = π / 2… a x = 0 and a z > 0
θ = −π / 2… a x = 0 and a z <0
θ: No definition… a x = 0 and a z = 0

また左右方向の傾きφは、以下の式で表される。
φ=arctan(az/ay) …ay>0
φ=arctan(az/ay)+π …ay<0 and az>0
φ=arctan(az/ay)−π …ay<0 and az<0
φ=π/2 …ay=0 and az>0
φ=−π/2 …ay=0 and az<0
φ:定義無し …ay=0 and az=0
The inclination φ in the left-right direction is expressed by the following equation.
φ = arctan (a z / a y )… a y > 0
φ = arctan (a z / a y ) + π… a y <0 and a z > 0
φ = arctan (a z / a y ) −π… a y <0 and a z <0
φ = π / 2… a y = 0 and a z > 0
φ = −π / 2… a y = 0 and a z <0
φ: No definition… a y = 0 and a z = 0

図5(a)、(b)は、若年健常者、PD患者それぞれについて実際に得られた左右方向の傾きφおよび前後の傾きθを示す図である。この結果は、図4(b)に示す立位姿勢においてC7から10cm下の位置に装着した加速度センサ12_1で体軸の勾配を1分間計測したものである。図5(a)に示しているのは健常者7名の結果、図5(b)に示しているのはPD患者7名の結果である。 5 (a) and 5 (b) are diagrams showing the inclination φ in the left-right direction and the inclination θ in the front-back direction actually obtained for each of the young healthy subject and the PD patient. This result is obtained by measuring the gradient of the body axis for 1 minute with the acceleration sensor 12_1 mounted at a position 10 cm below C7 in the standing posture shown in FIG. 4 (b). FIG. 5 (a) shows the results of 7 healthy subjects, and FIG. 5 (b) shows the results of 7 PD patients.

明らかに健常者は原点近傍、つまり前後方向と左右方向に傾き角が0度に近いことがわかる。その一方でPD患者は原点から大きく離れた領域に位置しており体軸が前後方向および左右方向に大きく傾いていることが確認できる。さらに健常者では勾配φ、θの揺らぎが非常に小さく安定しているが、PD患者では大きく揺らいでいることもわかる。 It is clear that a healthy person has a tilt angle close to 0 degrees in the vicinity of the origin, that is, in the front-back direction and the left-right direction. On the other hand, it can be confirmed that the PD patient is located in a region far away from the origin and the body axis is greatly tilted in the anteroposterior direction and the left-right direction. Furthermore, it can be seen that the fluctuations of the gradients φ and θ are very small and stable in healthy subjects, but are large in PD patients.

図4(b)のセンサ配置によれば、簡易的に姿勢評価が可能であるが、センサの個数を増やして、詳細な姿勢評価を行ってもよい。図6(a)は、センサの配置の別の一例を示す図である。この例では、各関節の回転行列を求めることが可能な箇所に、複数のセンサを装着することにより、身体の骨格モデルと併せて姿勢を計測することが可能になる。この場合は、上半身だけであれば少なくとも11個のセンサが必要であり、下半身も含めれば少なくとも17個のセンサが必要となる。 According to the sensor arrangement of FIG. 4B, the posture can be easily evaluated, but the number of sensors may be increased to perform a detailed posture evaluation. FIG. 6A is a diagram showing another example of sensor arrangement. In this example, by attaching a plurality of sensors to a place where the rotation matrix of each joint can be obtained, it is possible to measure the posture together with the skeletal model of the body. In this case, at least 11 sensors are required for the upper body alone, and at least 17 sensors are required for the lower body as well.

関節の回転角を求めるアルゴリズムの例を説明する。図6(b)には、前腕および上腕が示される。前腕・上腕それぞれに対して図のように、肩から肘、肘から手先に方向に対してX軸をとり、肘頭部側の方向にY軸をとる左手座標系を考える。このとき上腕X、Y、Z各軸反時計回りの回転角のロール、ピッチ、ヨーをそれぞれφ、θ、ψとし、前腕に対してそれぞれをφ、θ、ψとする。An example of an algorithm for finding the rotation angle of a joint will be described. FIG. 6B shows the forearm and upper arm. Consider a left-handed coordinate system in which the X-axis is taken in the direction from the shoulder to the elbow and the elbow to the hand, and the Y-axis is taken in the direction toward the elbow head, as shown in the figure for each of the forearm and upper arm. At this time, the roll, pitch, and yaw of the rotation angles of the upper arms X, Y, and Z counterclockwise are φ u , θ u , and ψ u , respectively, and φ f , θ f , and ψ f , respectively, with respect to the forearm. ..

このときθを求めるにあたり、前腕X軸、Y軸に対する加速度の定常成分をそれぞれa、aとし、ピッチ方向の角速度をωθ、それぞれに対する計測誤差をe、e、eθとすると、角速度より求めたピッチ角θfgyrは式(1)で表される。
θfgyr=θf0+∫0〜tωθ(t)dt+∫0〜tθ(t)dt …(1)
Upon obtaining this case theta f, forearm X-axis, and respectively the stationary component of the acceleration a x, a y for Y-axis, an angular velocity in the pitch direction omega theta, the measurement error for each e x, and e y, e theta Then, the pitch angle θ fgyr obtained from the angular velocity is expressed by the equation (1).
θ fgyr = θ f0 + ∫ 0~t ω θ (t) dt + ∫ 0~t e θ (t) dt ... (1)

加速度より求めたピッチ角はθfaccは、式(2)で表される。
=gx0cosφ+e
=gy0cosφ+e
θfacc=arctan(a/a) …(2)
The pitch angle obtained from the acceleration is θ facc, which is expressed by Eq. (2).
a x = g x0 cosφ u + e x
a y = g y0 cosφ u + e y
θ facc = arctan (a x / a y) ... (2)

θfgyrは計測時間が長くなるにつれ累積誤差がたまり、またθfaccはS/N比の高い加速度センサを用いることで、角速度推定精度が高くなる。theta Fgyr accumulates the accumulated error as the measurement time becomes longer and theta facc is to use a high acceleration sensor S / N ratio, the angular velocity estimation accuracy is increased.

ここで|φ|<εまたは|φ|>π‐εのとき、加速度より求めるピッチ角θfgyrの計測誤差(つまり式(1)の右辺第3項)が十分に小さくなる。そこで時刻t’においてθft’=θfaccを計算し、それ以降、θ=θfgyrとして式(3)にしたがい計算することができる。
θfgyr=θft’+∫t’〜tωθ(t)dt …(3)
Here, when | φ u | <ε or | φ u |> π-ε, the measurement error of the pitch angle θ fgyr obtained from the acceleration (that is, the third term on the right side of the equation (1)) becomes sufficiently small. Therefore, θ ft' = θ f acc can be calculated at time t', and thereafter, it can be calculated according to the equation (3) with θ f = θ fgyr.
θ fgyr = θ ft' + ∫ t'~ t ω θ (t) dt… (3)

また、加速度センサの計測値によって得たθfaccの計測誤差成分が大きい場合には、θ=θfgyrとし、前腕と上腕との間の角度をθf−uとすると、θf−u=θ−θとなり、上腕座標系から前腕座標系へ変換する回転行列Rは、以下のように求めることができる。

Figure 0006951750
If the measurement error component of θf acc obtained from the measured value of the acceleration sensor is large, then θ f = θ fgyr, and if the angle between the forearm and upper arm is θ f-u , then θ f-u =. The rotation matrix R that becomes θ f − θ u and transforms from the upper arm coordinate system to the forearm coordinate system can be obtained as follows.
Figure 0006951750

この方法を多自由度の関節についても適用することで、各関節の回転行列を算出し、骨格モデルに基づいて上半身の姿勢を推定することができる。 By applying this method to joints with multiple degrees of freedom, the rotation matrix of each joint can be calculated and the posture of the upper body can be estimated based on the skeletal model.

1.2 姿勢の特徴量
続いて、姿勢に関する特徴量を説明する。特徴量にも様々なものが考えられるが、ここではその一例として、上述したように、前後方向の体軸の勾配θと左右方向の体軸の勾配φに注目した場合、その1次統計量(平均)、2次統計量(分散)、3次統計量(歪度)、4次統計量(尖度)を特徴量として用いることができる。図7(a)〜(d)は、勾配φおよびθの特徴ベクトルとして、平均、時間、分散、尖度を2次元平面にプロットした図である。
1.2 Posture features Next, posture features will be described. Various features can be considered, but here, as an example, when paying attention to the gradient θ of the body axis in the anteroposterior direction and the gradient φ of the body axis in the left-right direction, as described above, the primary statistic thereof. (Average), second-order statistic (variance), third-order statistic (skewness), and fourth-order statistic (kurtosis) can be used as features. 7 (a) to 7 (d) are views in which the average, time, variance, and kurtosis are plotted on a two-dimensional plane as feature vectors of gradients φ and θ.

それぞれの図において健常者が丸、PD患者が三角の点で示されている。この結果からも明らかなように、勾配の平均、分散、尖度に関して、健常者とPD患者間で有意な差が認められ、両群を分離する上で有効な特徴量であることがわかる。これはPD患者の病期に関する自動診断に向けて重要な知見である。 In each figure, healthy subjects are indicated by circles and PD patients are indicated by triangular dots. As is clear from this result, a significant difference was observed between the healthy subjects and the PD patients in terms of the mean, variance, and kurtosis of the gradient, and it can be seen that the features are effective in separating the two groups. This is an important finding for automatic diagnosis of the stage of PD patients.

なお使用可能な特徴量は、これらには限定されない。ここでの説明は、立位時の特徴量であったが、坐位時、歩行時における計測を併せて行うことで、異なる姿勢や運動時の更なる特徴量を定義することが可能になる。 The features that can be used are not limited to these. Although the description here is the feature amount in the standing position, it is possible to define a further feature amount in the different postures and exercises by performing the measurement in the sitting position and the walking time together.

また各姿勢時における差や比をみることで、同一個人における姿勢に応じた体軸の傾きの変化を見ることができ、更なる特徴量を定義することが可能になる。骨格にゆがみが生じていることが原因となる体軸の傾きは、異なる姿勢においても同様の傾きが生じると考えることが出来る。そこで姿勢間、例えば坐位時と立位時における体軸傾き角の差をみることで、立位時の傾きが骨格異常によるものなのかそれ以外の原因であるかを類推できる可能性がある。 In addition, by observing the difference and ratio in each posture, it is possible to see the change in the inclination of the body axis according to the posture in the same individual, and it becomes possible to define a further feature amount. It can be considered that the inclination of the body axis caused by the distortion of the skeleton causes the same inclination in different postures. Therefore, by observing the difference in body axis tilt angle between postures, for example, when sitting and standing, it may be possible to infer whether the tilt during standing is due to a skeletal abnormality or another cause.

また、時系列情報に着目してもよい。例えば歩行時の体軸の傾きの変化を見ることで、疲労により影響などを見ることが出来る。 You may also pay attention to the time series information. For example, by observing the change in the inclination of the body axis during walking, it is possible to see the effect of fatigue.

まとめると、姿勢評価に際しては、勾配φの平均値、分散、尖度、勾配θの平均値、分散、尖度の任意の組み合わせを用いて特徴ベクトルを形成し、機械学習を行ってもよい。 In summary, in the posture evaluation, a feature vector may be formed by using an arbitrary combination of the average value of the gradient φ, the variance, the kurtosis, the average value of the gradient θ, the variance, and the kurtosis, and machine learning may be performed.

また、上記の計測はいずれも1点での勾配計測に基づく統計的な特徴量の例であったが、空間的な相関や時間的な相関に拡張することで更なる特徴量を定義することが可能になる。 In addition, all of the above measurements were examples of statistical features based on gradient measurement at one point, but further features should be defined by expanding to spatial correlation and temporal correlation. Becomes possible.

たとえば図4(b)に示すように複数の箇所にセンサを取り付けて運動を計測すれば空間的な特徴を考慮に入れることができる。PD患者はHoehn-Yahr分類1度では一側性パーキンソニズムが現れ、2度では両側性パーキンソニズムが現れることが知られている。したがって右半身と左半身での違いを空間的に特徴づけることにより、両者の判別が可能になる。 For example, as shown in FIG. 4B, if sensors are attached to a plurality of locations to measure motion, spatial features can be taken into consideration. It is known that PD patients develop unilateral parkinsonism in Hoehn-Yahr classification 1st degree and bilateral parkinsonism in 2nd degree. Therefore, by spatially characterizing the difference between the right and left halves, it is possible to distinguish between the two.

さらに時間的に連続に計測すれば時間変動に関わる特徴を考慮に入れることができる。たとえば健常者は、体が傾くと、それを修正しようと短時間で体を元に戻すようにフィードバックがかかるため、時間軸上を見ると周期的な動きを見いだすことができる。一方、PD患者はこのような応答が乏しく、重度になると運動の揺らぎにおける時間相関が低いことが知られている。したがって特徴量として、自己相関関数、相互相関関数、あるいは自己相似性の評価も有効になる。 Furthermore, if it is measured continuously in time, the characteristics related to time fluctuation can be taken into consideration. For example, when a healthy person leans, feedback is given to restore the body in a short time in an attempt to correct it, so that a periodic movement can be found by looking on the time axis. On the other hand, it is known that PD patients have poor such responses, and when they become severe, the time correlation in motor fluctuation is low. Therefore, as a feature quantity, an autocorrelation function, a cross-correlation function, or an evaluation of self-similarity is also effective.

1.3 姿勢に関する実験結果
以下、姿勢に関するいくつかの実験とそこから得られた知見について説明する。
1.3 Posture-related experiment results The following describes some experiments related to posture and the findings obtained from them.

(実験1)
参加者は4群に分類される。
・若年健常者(Healthy Young) 19人(男性19人)
・高齢健常者(Healthy Elderly) 17人(男性8人、女性9人)
・軽度PD患者(Mild PD) (mH&Y:1−2)19人(男性11人、女性8人)
・重度PD患者(Severe PD) (mH&Y:2.5−4)24人(男性9人、女性15人)
(Experiment 1)
Participants are divided into 4 groups.
・ 19 healthy young people (19 men)
・ 17 healthy elderly (8 males, 9 females)
・ Mild PD patients (Mild PD) (mH & Y: 1-2) 19 (11 males, 8 females)
・ Severe PD patients (Severe PD) (mH & Y: 2.5-4) 24 (9 males, 15 females)

姿勢は、以下の3つの条件で測定した。
・坐位(Sitting)
・立位(Standing)
・歩行(Walking)
Posture was measured under the following three conditions.
・ Sitting
・ Standing
・ Walking

計測データは、以下の4つである。
・上側センサ12_1から得られる左右方向の背中の傾き(Frontal Angle)φ(t)
・上側センサ12_1から得られる前後方向の背中の傾き(Sagittal Angle)θ(t)
・下側センサ12_2から得られる左右方向の腰の傾き(Frontal Angle)φ(t)
・下側センサ12_2から得られる前後方向の腰の傾き(Sagittal Angle)θ(t)
The measurement data are the following four.
-Left and right back tilt (Frontal Angle) φ u (t) obtained from the upper sensor 12_1
-The inclination of the back in the front-back direction (Sagittal Angle) θ u (t) obtained from the upper sensor 12_1.
-Left and right waist tilt (Frontal Angle) φ L (t) obtained from the lower sensor 12_2.
-Sagittal Angle obtained from the lower sensor 12_2 in the front-back direction (Sagittal Angle) θ L (t)

これらから、左右・前後の比(Ratio)も計算される。
・上側センサ12_1の比 φ(t)/θ(t)
・下側センサ12_2の比 φ(t)/θ(t)
From these, the ratio of left and right and front and back is also calculated.
-Ratio of upper sensor 12_1 φ u (t) / θ u (t)
・ Ratio of lower sensor 12_2 φ L (t) / θ L (t)

各条件において得られた傾きφ,θ,φ,θそれぞれについて、以下の特徴量を計算した。
・範囲(Range)
・平均(Average)
・分散(Variance)
・歪度(Skewness)
・尖度(Kurtosis)
The following features were calculated for each of the slopes φ u , θ u , φ L , and θ L obtained under each condition.
・ Range
・ Average
・ Variance
・ Skewness
・ Kurtosis

このようにして得られた各特徴量について、さらに以下の量にも着目した。
・立位と坐位の差分 (Standing-Sitting)
・歩行と坐位の差分 (Walking-Sitting)
For each feature quantity obtained in this way, the following quantities were also paid attention to.
・ Standing-Sitting
・ Walking-Sitting

したがって、本実験では、計測条件に関する5つの項目(坐位・立位・歩行の計測条件と立位と坐位、歩行と坐位との差)、計測位置に関する2項目(背部と腰部)、傾き方向に関する3項目(前後・左右とその比)、統計量に関する5項目(レンジ・平均・分散・歪度・尖度)をマトリクス的にかけ合わせることで、計150個の特徴量が網羅的に抽出される。 Therefore, in this experiment, five items related to measurement conditions (sitting / standing / walking measurement conditions and the difference between standing and sitting, walking and sitting), two items related to measurement position (back and waist), and tilt direction. By multiplying 3 items (front and back, left and right and their ratio) and 5 items related to statistics (range, average, variance, skewness, kurtosis) in a matrix, a total of 150 feature quantities are comprehensively extracted. ..

健常若年群・健常高齢群・軽度PD群・重度PD群それぞれに群間において、Kruskal-Wallis検定を行い各特徴量において有意差の有無を確認した。またこのときSteel-Dwass法を用いて多重比較を行った。これにより、群間で有意な差を確認できた特徴量はPDにおける姿勢異常の定量評価の指標となりうる。 The Kruskal-Wallis test was performed between the healthy young group, the healthy elderly group, the mild PD group, and the severe PD group, and the presence or absence of significant differences in each feature was confirmed. At this time, multiple comparisons were performed using the Steel-Dwass method. As a result, the feature amount for which a significant difference was confirmed between the groups can be used as an index for quantitative evaluation of postural abnormalities in PD.

図8(a)〜(d)は、4群それぞれについて得られた背中の左右方向の傾きφおよび前後の傾きθの30秒間の軌跡を示す図である。図8(a)、(b)に示すように、年齢を問わず健常者は、原点近傍、つまり前後方向と左右方向に傾き角が0度に近いことがわかる。その一方で、図8(c)の軽度のPD患者は原点から離れた領域に位置しており体軸が前後方向および左右方向に大きく傾いていることが確認でき、図8(d)の重度のPD患者はその傾向がさらに強まっている。さらに健常者では勾配φ、θの揺らぎ(範囲)が非常に小さく安定しているが、PD患者では大きく揺らいでいることもわかる。 8 (a) to 8 (d) are diagrams showing the loci of the left-right inclination φ and the front-back inclination θ of the back obtained for each of the four groups for 30 seconds. As shown in FIGS. 8A and 8B, it can be seen that healthy subjects of all ages have an inclination angle close to 0 degrees in the vicinity of the origin, that is, in the front-back direction and the left-right direction. On the other hand, it can be confirmed that the mild PD patient in FIG. 8 (c) is located in a region away from the origin and the body axis is greatly tilted in the anterior-posterior direction and the left-right direction. PD patients are even more likely to do so. Furthermore, it can be seen that the fluctuations (ranges) of the gradients φ and θ are very small and stable in healthy subjects, but greatly fluctuate in PD patients.

図9は、Kruskal-Wallisテストの結果を示す図である。p値が、4つのランクでプロットされている。図9から明らかなように、150個の特徴量のうち、坐位時背中の前後及び左右の傾き角度の分散、立位時背中の分散、歩行時背中の前後方向の分散など、41個の特徴量において群間に有意な差が確認できた。 FIG. 9 is a diagram showing the results of the Kruskal-Wallis test. The p-values are plotted in four ranks. As is clear from FIG. 9, 41 features out of 150 features, such as dispersion of the front-back and left-right tilt angles of the back when sitting, dispersion of the back when standing, and dispersion of the back in the front-back direction when walking. A significant difference was confirmed between the groups in terms of amount.

図10(a)〜(c)は、坐位時、立位時、歩行時それぞれにおける背中の前後の傾きの平均と分散の各群の値を示す図である。図10(a)は、坐位時の背中の前後方向の傾きθ(t)の平均値および分散を示す。図10(b)は、立位時の背中の前後方向の傾きθ(t)の平均値および分散を示す。図10(c)は、歩行時の背中の前後方向の傾きθ(t)の平均値および分散を示す。10 (a) to 10 (c) are diagrams showing the values of each group of the average and dispersion of the anterior-posterior inclination of the back when sitting, standing, and walking, respectively. FIG. 10A shows the average value and variance of the inclination θ u (t) of the back in the anteroposterior direction when sitting. FIG. 10B shows the average value and variance of the inclination θ u (t) of the back in the anteroposterior direction when standing. FIG. 10 (c) shows the average value and the variance of the inclination θ u (t) in the anteroposterior direction of the back during walking.

図10(a)に示す坐位時の背中の前後の平均においては、各群間に有意な差が確認できないが、図10(b)に示す坐位時の前後の分散や立位時の前後の平均、分散、図10(c)に示す歩行時の前後の平均や分散においては群間に有意な差が確認できる。 No significant difference can be confirmed between the groups in the average of the anterior-posterior back when sitting as shown in FIG. 10 (a), but the dispersion before and after sitting and before and after standing as shown in FIG. 10 (b). Significant differences can be confirmed between the groups in the mean, variance, and the mean and variance before and after walking as shown in FIG. 10 (c).

また、立位時の平均、分散および歩行時の平均に関しては、重度になるつれて特徴量の値が大きくなる傾向が確認できたが、歩行時の分散に関しては重度PD群の値が小さくなる傾向が確認された。 In addition, regarding the mean during standing, the variance, and the mean during walking, it was confirmed that the value of the feature amount tended to increase as it became more severe, but the value of the severe PD group decreased with respect to the variance during walking. The tendency was confirmed.

図10(b)、(c)からわかるように、立位時や歩行時において、PD患者の前後方向の傾きθ(t)の平均は、健常者のそれに比べて大きくなっている。これはPD患者においてしばしば見られるCamptocormia(腰折れ)を定量的に評価できているためと考えられる。腰折れに関しては、立位時および歩行時には現れているが、坐位時には現れていない。As can be seen from FIGS. 10 (b) and 10 (c), the average of the inclination θ u (t) in the anteroposterior direction of the PD patient is larger than that of the healthy person when standing or walking. It is considered that this is because Camptocormia (camptocormia), which is often seen in PD patients, can be evaluated quantitatively. Bending of the waist appears when standing and walking, but not when sitting.

分散が重度PDになるにつれて大きくなっていることは、筋力低下による姿勢保持力の低下も原因として挙げられるが、健常若年群と健常高齢群との差と比較してPD群の分散が大きくなっていることから、ジスキネジア(不随意運動)などの影響を検出できてきる可能性がある。 The increase in the variance as the PD becomes more severe is also attributed to the decrease in posture retention due to muscle weakness, but the variance in the PD group is larger than the difference between the healthy young group and the healthy elderly group. Therefore, it may be possible to detect the effects of dyskinesia (involuntary movement).

また図10(c)から、重度PD患者の歩行時の分散が、その他の群のそれより低い値となっている。これはBradykinesia(動作緩慢)の影響により背中を大きく動かさずに歩いているためことと関連づけることができる。 Further, from FIG. 10 (c), the variance during walking of the severe PD patients is lower than that of the other groups. This can be related to the fact that he is walking without moving his back significantly due to the influence of Bradykinesia.

このように、実施の形態に係る自動診断装置1が、PDにおける姿勢異常の定量評価において有効であることが以上の実験結果から裏付けられる。この実験では、サンプル数の関係から、重度PD群と軽度PD群を区別する識別器の構成にとどまっているが、サンプル数を増やし、特徴ベクトルを適切に選択することにより、Hoehn-Yahr分類の1〜5度を診断することは十分に現実的である。 As described above, it is supported from the above experimental results that the automatic diagnostic apparatus 1 according to the embodiment is effective in the quantitative evaluation of posture abnormality in PD. In this experiment, the configuration of the discriminator that distinguishes between the severe PD group and the mild PD group is limited to the relationship of the number of samples, but by increasing the number of samples and appropriately selecting the feature vector, the Hoehn-Yahr classification is performed. Diagnosing 1 to 5 degrees is practical enough.

なお現実的には、患者の年齢は既知であるから、自動診断する必要は無い。したがって、年齢の区分ごとにデータベースを構築すれば、同じ年齢区分を対象として構築されたデータベースにもとづいて、より容易に、また正確に、PD患者の重症度を判定することも可能である。 In reality, since the age of the patient is known, there is no need for automatic diagnosis. Therefore, if a database is constructed for each age group, it is possible to more easily and accurately determine the severity of PD patients based on the database constructed for the same age group.

(実験2)
実験2は、実験1と同一条件であるが、実験2では参加者は3群に分類される。
・重度PD患者 (13名)
・軽度PD患者 (15名)
・若年健常者(7名)
(Experiment 2)
Experiment 2 has the same conditions as Experiment 1, but in Experiment 2, participants are classified into three groups.
・ Severe PD patients (13 patients)
・ Mild PD patients (15 patients)
・ Young healthy people (7 people)

図11(a)は、若年健常者とPD患者の分類器の一例を示す図であり、図11(b)は、PD患者の軽度と重度の分類器の一例を示す図である。図11(a)は、立位時の背中の前後方向の傾きの分散と、立位時と坐位時において得られる背中の左右方向の傾きの平均値の差の関係を特徴ベクトルとしてプロットしたものである。SVMによって構築した識別器によれば、若年健常者とPD患者を、72.2%の確からしさで診断することができる。 FIG. 11A is a diagram showing an example of a classifier for a young healthy person and a PD patient, and FIG. 11B is a diagram showing an example of a mild and severe classifier for a PD patient. FIG. 11A is a plot of the relationship between the dispersion of the inclination of the back in the front-back direction when standing and the difference between the average values of the inclinations of the back in the left-right direction obtained when standing and sitting as a feature vector. Is. According to the discriminator constructed by SVM, young healthy subjects and PD patients can be diagnosed with a certainty of 72.2%.

また、図11(b)は、立位時と坐位時において得られる背中の前後方向の傾きの平均値の差と、立位時の腰の傾きの分散比の関係を特徴ベクトルとしてプロットしたものである。SVMによって構築した識別器によれば、重度PD患者と軽度PD患者とを71.4%の確からしさで診断することができる。診断の確からしさは、特徴ベクトルの次元を高めることにより、さらに高めていくことが可能である。 Further, FIG. 11B is a plot of the relationship between the difference between the average value of the inclination of the back in the anteroposterior direction obtained in the standing position and the sitting position and the dispersion ratio of the inclination of the waist in the standing position as a feature vector. Is. According to the discriminator constructed by SVM, patients with severe PD and patients with mild PD can be diagnosed with 71.4% certainty. The accuracy of the diagnosis can be further increased by increasing the dimension of the feature vector.

2. 振動評価
振動評価では、PD患者の安静時震戦に注目する。これは随意運動等を行わない安静時に手や指が自発的に震える症状であり、手や指および振動しやすい部位に複数装着した加速度センサ群から得られる振動情報を主として利用してもよい。従来から注目されていた4〜6Hz帯に特徴的なピークの見られる振動に加えて、それよりも低周波帯域や高周波帯域、さらに、それらの空間相関や時間相関等にも注目することができる。
2. Vibration evaluation In vibration evaluation, we focus on the resting tremor of PD patients. This is a symptom that the hands and fingers spontaneously tremble at rest without voluntary movement, and vibration information obtained from a group of accelerometers mounted on the hands and fingers and a plurality of easily vibrating parts may be mainly used. In addition to the vibration with peaks characteristic of the 4 to 6 Hz band, which has been attracting attention in the past, it is possible to pay attention to the lower frequency band and the higher frequency band, as well as their spatial correlation and time correlation. ..

たとえば指先加速度のノルムに注目し、その時間変動を計測してもよい。あるいは、その振動をスペクトル解析し振動数帯ごとに分離して、それぞれの特性を調べてもよい。 For example, you may pay attention to the norm of fingertip acceleration and measure its time fluctuation. Alternatively, the vibration may be spectrally analyzed, separated for each frequency band, and the characteristics of each may be investigated.

2.1 振動計測
震戦の計測方法としては、センサの装着部位とその時の患者の姿勢が重要になる。
図12(a)〜(e)は、振動計測を説明する図である。図12(a)、(b)にはセンサ12Bの配置の一例が示される。センサ12Bの装着部位としては様々な位置が考えられるが、図12(a)に示すように、人差し指の末節骨の上面に固定してもよい。あるいは図12(b)に示すように手の甲に固定してもよい。
2.1 Vibration measurement As a method of measuring tremor, the part where the sensor is attached and the posture of the patient at that time are important.
12 (a) to 12 (e) are diagrams for explaining vibration measurement. 12 (a) and 12 (b) show an example of the arrangement of the sensor 12B. Although various positions can be considered as the mounting site of the sensor 12B, as shown in FIG. 12A, the sensor 12B may be fixed to the upper surface of the distal phalanx of the index finger. Alternatively, it may be fixed to the back of the hand as shown in FIG. 12 (b).

震戦の計測時の姿勢としても様々なものが考えられる。図12(c)〜(e)には、震戦の計測時の姿勢が例示される。図12(c)には、安静時震戦の計測、図12(d)には姿勢時震戦の計測、図12(e)には企図震顫の計測の様子が示される。安静時震戦では肘掛に肘・手の甲を置き、掌を上にして力を抜いた自然な形で計測する。姿勢時震戦では掌を下に腕を前方水平に保持して計測する。企図震顫では指鼻試験時の振戦を計測することになる。 Various postures can be considered when measuring tremor. 12 (c) to 12 (e) exemplify the posture at the time of measuring the tremor. FIG. 12 (c) shows the measurement of the resting tremor, FIG. 12 (d) shows the measurement of the posture tremor, and FIG. 12 (e) shows the measurement of the intended tremor. In the resting tremor, the elbows and backs of the hands are placed on the elbows, and the measurements are taken in a relaxed and natural manner with the palms facing up. In posture tremor, measure by holding the palm down and the arm horizontally forward. In the intentional tremor, the tremor during the finger nose test will be measured.

図13(a)、(b)は、PD患者および健常者の振動計測の結果を示す図である。これは図7(a)に示すように人差し指の末節骨にセンサ12Bを取り付け、加速度ノルムの時間変化の様子を4秒間にわたり示したものである。各図において、薄いグレーが右手の人差し指であり、黒い線が左手の人差し指である。明らかにPD患者において顕著な指先の揺れが観察されている。しかも右手のみに生じておりHoehn-Yahr分類1度において生じやすい一側性パーキンソニズムの典型的症状である。一方、健常者の方ではそのような振動は生じていない。つまり振動測定は、PD患者の度数分類に非常に有用であることが確認された。 13 (a) and 13 (b) are diagrams showing the results of vibration measurement of PD patients and healthy subjects. As shown in FIG. 7A, the sensor 12B is attached to the distal phalanx of the index finger, and the state of the time change of the acceleration norm is shown for 4 seconds. In each figure, the light gray is the index finger of the right hand and the black line is the index finger of the left hand. Apparently, significant fingertip shaking has been observed in PD patients. Moreover, it occurs only in the right hand and is a typical symptom of unilateral parkinsonism that tends to occur in Hoehn-Yahr classification 1 degree. On the other hand, such vibration does not occur in healthy people. In other words, it was confirmed that vibration measurement is very useful for frequency classification of PD patients.

2.2 振動の特徴量
続いて、振動に関する特徴量を説明する。
2.2 Vibration features Next, vibration features will be described.

ここでは振動数帯ごとに分割して評価する。まず従来から震戦として注目されてきた4〜6Hz帯に特徴的なピークを持つ振動に関しては、パワーを特徴として注目することが有効である。図14(a)、(b)は、健常者とPD患者それぞれについて測定した、安静時震戦のパワースペクトルとその時間波形を示す図である。図14(b)に示すようにPD患者の振動のパワーが4〜6Hz帯において強いことがわかる。そこで、この例では4〜6Hzのパワーを振動の特徴量として利用する。 Here, the evaluation is performed separately for each frequency band. First of all, it is effective to pay attention to the vibration having a characteristic peak in the 4 to 6 Hz band, which has been attracting attention as a tremor, as a characteristic of power. 14 (a) and 14 (b) are diagrams showing the power spectrum of the resting tremor and its time waveform measured for each of the healthy subject and the PD patient. As shown in FIG. 14 (b), it can be seen that the vibration power of the PD patient is strong in the 4 to 6 Hz band. Therefore, in this example, a power of 4 to 6 Hz is used as a characteristic amount of vibration.

この特徴量を、姿勢時震戦と安静時震戦で測定すれば、2次元の特徴ベクトルを形成することができる。図15は、姿勢時震戦と安静時震戦の4〜6Hzのパワーを2次元平面にプロットした図である。14名のPD患者は安静時震戦および姿勢時震戦のパワーが共に大きくなっているが、7名の健常者は原点近くに分布している。このことは4〜6Hz帯における振動のパワーが両群を判別する上で有効であることを意味している。 If this feature quantity is measured in posture tremor and rest tremor, a two-dimensional feature vector can be formed. FIG. 15 is a diagram in which the powers of 4 to 6 Hz of the posture tremor and the rest tremor are plotted on a two-dimensional plane. The power of both resting and postural tremors is high in 14 PD patients, but 7 healthy subjects are distributed near the origin. This means that the power of vibration in the 4 to 6 Hz band is effective in discriminating between the two groups.

図16は、PD患者について測定した右手人差し指の加速度ノルムの時間波形図である。先ほどの4〜6Hzよりもさらに低振動数側(周期1〜5秒程度、つまり0.2〜1Hz)ではPD患者の安静時震戦において特異的にバースト現象が観察されることも明らかになった。具体的には、図16に示すように、周期が数秒のバースト現象が観察されている。この現象は振動の振幅の周期的変動として捉えられるものであり、重要な特徴量のひとつである。 FIG. 16 is a time waveform diagram of the acceleration norm of the right index finger measured for a PD patient. It was also clarified that a burst phenomenon is specifically observed in the resting tremor of PD patients on the lower frequency side (period of about 1 to 5 seconds, that is, 0.2 to 1 Hz) than the previous 4 to 6 Hz. rice field. Specifically, as shown in FIG. 16, a burst phenomenon with a period of several seconds has been observed. This phenomenon is regarded as a periodic fluctuation of the amplitude of vibration, and is one of the important features.

図17(a)、(b)は、健常者とPD患者について測定された安静時震戦のパワースペクトルを示す図である。健常者とPD患者とでは、高周波領域における周波数に対するパワーの減衰の程度が異なっており、パワースペクトルが直線的に減少する様子が10〜40Hz帯域に観察されており、これもPD患者の震戦を判別する上での重要な特徴になるであろう。つまり健常者はフラクタル性が高いのに対して、PD患者はフラクタル性が低いといえる。また、図17(b)の右に示すように、30〜40Hzの間に、ピークを示す場合があり、この帯域のパワーを特徴量として用いることも有用である。 17 (a) and 17 (b) are diagrams showing the power spectra of resting tremor measured for healthy subjects and PD patients. The degree of power attenuation with respect to frequency in the high frequency region differs between healthy subjects and PD patients, and a linear decrease in the power spectrum has been observed in the 10 to 40 Hz band, which is also a seismic warfare of PD patients. It will be an important feature in discriminating. In other words, it can be said that healthy subjects have high fractal properties, whereas PD patients have low fractal properties. Further, as shown on the right side of FIG. 17B, a peak may be shown between 30 and 40 Hz, and it is also useful to use the power in this band as a feature amount.

これ以外の特徴量としても、いくつか考えられる。上記の計測はいずれも指先の1点における振動計測から算出される特徴量の例であったが、空間的な相関や時間的な相関に拡張することで更なる特徴量を定義することが可能になる。 There are several possible features other than this. All of the above measurements were examples of features calculated from vibration measurement at one point on the fingertip, but further features can be defined by expanding to spatial correlation and temporal correlation. become.

たとえば複数地点で指の振動を計測すれば空間的な特徴を考慮に入れることができる。PD患者はHoehn-Yahr分類1度では一側性パーキンソニズムが現れ、2度では両側性パーキンソニズムが現れることが知られている。したがって右半身と左半身での違いを空間的に特徴づけることにより、両者の判別が可能になる。 For example, if the vibration of the finger is measured at multiple points, the spatial characteristics can be taken into consideration. It is known that PD patients develop unilateral parkinsonism at the first Hoehn-Yahr classification and bilateral parkinsonism at the second Hoehn-Yahr classification. Therefore, by spatially characterizing the difference between the right and left halves, it is possible to distinguish between the two.

さらに震戦の振動は時間的に変化する動的な運動であるから時間変動に関わる特徴を考慮に入れることもできる。PD患者は重度になると運動の揺らぎにおける時間相関が低いことが知られている。したがって自己相関関数、相互相関関数、あるいは自己相似性の評価も有効になる。 Furthermore, since the vibration of tremor is a dynamic motion that changes with time, the characteristics related to time fluctuation can be taken into consideration. It is known that PD patients have a low time correlation in motor fluctuations when they become severe. Therefore, evaluation of autocorrelation function, cross-correlation function, or self-similarity is also effective.

左右の振動の差や比のみならず、計測条件の差をみることでも新たな特徴量を定義することが可能となる。例えば、PDの特徴的な症状として静止時振戦が知られている。そのため、姿勢時と静止時の振動パワーの比をみることで、静止時のみの揺れであるのか、姿勢に依らずに発生している揺れであるのかを判断することが可能となる。 It is possible to define new features by looking not only at the difference and ratio of left and right vibrations but also at the difference in measurement conditions. For example, resting tremor is known as a characteristic symptom of PD. Therefore, by observing the ratio of the vibration power at the time of posture and at rest, it is possible to determine whether the vibration is only at rest or the vibration is generated regardless of the posture.

2.3 震戦に関する実験結果
以下、震戦に関する実験とそこから得られた知見について説明する。
(実験3)
この実験は、1.3で説明した実験2と同じPD患者28名と若年健常者7名を参加者としたものである。
2.3 Results of experiments on tremor The following describes the experiments on tremor and the findings obtained from them.
(Experiment 3)
This experiment consisted of 28 PD patients and 7 young healthy subjects, the same as in Experiment 2 described in 1.3.

図18(a)は、若年健常者とPD患者の分類器の一例を示す図であり、図18(b)は、PD患者の軽度と重度の分類器の一例を示す図である。 FIG. 18A is a diagram showing an example of a classifier for a young healthy person and a PD patient, and FIG. 18B is a diagram showing an example of a mild and severe classifier for a PD patient.

図18(a)は、静止時震戦の4−6Hz帯のパワーと、30−45Hz帯のパワーを特徴ベクトルとしてプロットしたものである。SVMによって構築した識別器によれば、若年健常者と重度PD患者を、75.0%の確からしさで診断することができる。 FIG. 18A is a plot of the power in the 4-6 Hz band and the power in the 30-45 Hz band of the stationary tremor as feature vectors. According to the discriminator constructed by SVM, young healthy subjects and patients with severe PD can be diagnosed with 75.0% certainty.

なお、周波数帯(4〜6Hz,30〜45Hz)は例示に過ぎず、複数の異なる周波数帯のパワーを特徴ベクトルとすることで、識別器を構成することができることが分かる。 It should be noted that the frequency bands (4 to 6 Hz, 30 to 45 Hz) are merely examples, and it can be seen that the discriminator can be configured by using the powers of a plurality of different frequency bands as feature vectors.

図18(b)は、4−6Hz帯のパワーの静止時震戦と姿勢時震戦の比と、全体域の静止時震戦と姿勢時震戦の比を、特徴ベクトルとしてプロットしたものである。SVMによって構築した識別器によれば、若年健常者と軽度PD患者を、73.3%の確からしさで診断することができる。 FIG. 18B is a plot of the ratio of the static tremor and the attitude tremor of the power in the 4-6 Hz band and the ratio of the static tremor and the attitude tremor in the entire range as a feature vector. be. According to the discriminator constructed by SVM, a healthy young person and a patient with mild PD can be diagnosed with a certainty of 73.3%.

周波数帯(4〜6Hz)は例示に過ぎず、所定の周波数帯のパワー比と、全帯域のパワー比を特徴ベクトルとすることで、識別器を構成することができることが分かる。 The frequency band (4 to 6 Hz) is only an example, and it can be seen that the discriminator can be configured by using the power ratio of a predetermined frequency band and the power ratio of the entire band as feature vectors.

3. 歩行評価
歩行評価では、PD患者のすくみ足や加速歩行に注目する。これは歩行開始時の第一歩が出にくい症状および歩行開始後に歩行が徐々に加速する症状である。
3. 3. Gait evaluation In gait evaluation, attention is paid to the freezing legs and accelerated walking of PD patients. This is a symptom that it is difficult to take the first step at the start of walking and a symptom that walking gradually accelerates after the start of walking.

3.1 歩行計測
歩行計測に際しては、足首やひざ、腰等に複数装着した加速度や角速度センサ群から得られる足首の軌道情報を主として利用する。軌道の運動学的な特徴や、歩幅や歩行周期、それらの左右非対称性や時間変動等に注目する。
3.1 Walking measurement In walking measurement, the trajectory information of the ankle obtained from the group of acceleration and angular velocity sensors attached to the ankle, knee, waist, etc. is mainly used. Pay attention to the kinematic characteristics of the orbit, stride length and walking cycle, their left-right asymmetry, and time fluctuation.

軌道を推定する方法は、連続歩行データを周期ごとに分割する段階と、各周期において軌道を推定する段階の2段階に分けられる。それぞれの詳細を以下に示す。 The method of estimating the trajectory is divided into two stages, a step of dividing the continuous walking data for each cycle and a step of estimating the trajectory in each cycle. Details of each are shown below.

図19は、Z軸の角速度データを示す図である。歩行は周期運動であるため、センサ群より取得した加速度や角速度のデータは周期的なパターンを示す。そこで、計測されたデータを1周期ずつに分割する。分割点は足が接地した安定状態であり、かつ角速度が0に近いところとすることが望ましい。これにより積分時の初期値の仮定が容易となるからである。歩行を1周期ごとに分割することで、加速度や角速度を積分する際の累積誤差を低減できる。さらに、各周期の特徴量を効率的に抽出することができる。 FIG. 19 is a diagram showing angular velocity data on the Z axis. Since walking is a periodic motion, the acceleration and angular velocity data acquired from the sensor group show a periodic pattern. Therefore, the measured data is divided into one cycle at a time. It is desirable that the dividing point is in a stable state where the foot is in contact with the ground and the angular velocity is close to zero. This is because it becomes easy to assume the initial value at the time of integration. By dividing walking for each cycle, it is possible to reduce the cumulative error when integrating acceleration and angular velocity. Furthermore, the feature amount of each cycle can be efficiently extracted.

こうして分割された周期ごとに軌道の推定を行う。図20は、軌道推定のフローチャートである。はじめに、各軸の角度の初期値θz0を決定する(S100)。たとえば式(4)にもとづき、初期値θz0を決定することができる。
θz0=tan−1(^a/−^a) …(4)
The orbit is estimated for each period divided in this way. FIG. 20 is a flowchart of orbit estimation. First , the initial value θ z0 of the angle of each axis is determined (S100). For example, the initial value θ z0 can be determined based on the equation (4).
θ z0 = tan -1 (^ a y / − ^ a x )… (4)

^は移動平均を示す。移動平均の区間は、各周期の始点を含む前後の複数の個のポイントであり、たとえば前後5個、計11個とすることができる。これにより、定常成分、つまり重力成分を取り出し、Y軸、Z軸の初期角度を推定することができる。X軸に関しては、初期角度をゼロと仮定し、後に補正する。 ^ Indicates a moving average. The moving average section is a plurality of points before and after including the start point of each cycle, and can be, for example, 5 points before and after, for a total of 11 points. As a result, the steady-state component, that is, the gravity component can be extracted, and the initial angles of the Y-axis and Z-axis can be estimated. For the X-axis, the initial angle is assumed to be zero and will be corrected later.

軌道を求めるには各軸において加速度を二重積分するだけでは不十分である。なぜなら、脚は回転運動を伴い、姿勢が常に変化するからである。そこで、まず式(5)のように各軸の角速度ω(i)をそれぞれ積分することでセンサの姿勢を推定する(S102)。このとき積分時の角度の初期値は、式(4)で求めたそれを用いる。
θ=θi−1+ω(i)×Δt …(5)
It is not enough to double-integrate the acceleration on each axis to find the trajectory. This is because the legs are subject to rotational movement and their posture is constantly changing. Therefore, first, the posture of the sensor is estimated by integrating the angular velocities ω (i) of each axis as in Eq. (5) (S102). At this time, as the initial value of the angle at the time of integration, the one obtained by Eq. (4) is used.
θ i = θ i-1 + ω (i) × Δt… (5)

続いて、各軸の角度にもとづいて、センサの姿勢Tを推定する(S104)。姿勢Tは、x軸、y軸、z軸を列とする3列の行列で表される。次に、各時刻iにおける加速度aを、推定されたセンサの姿勢Tを用いて、行列演算により進行方向α、上下方向α、側面方向αに分解する(S106)。Subsequently, the posture T of the sensor is estimated based on the angle of each axis (S104). The posture T is represented by a three-column matrix having the x-axis, y-axis, and z-axis as columns. Next, the acceleration a at each time i is decomposed into the traveling direction α 1 , the vertical direction α 2 , and the lateral direction α 3 by matrix calculation using the estimated posture T of the sensor (S106).

そして、式(6)、式(7)を用いてそれぞれの方向において時間に関して二重積分して位置を求める(S108)。
=vi−1+αi×Δt …(6)
=pi−1+v×Δt …(7)
Then, using Eqs. (6) and (7), the position is obtained by double integrating with respect to time in each direction (S108).
v i = v i-1 + αi × Δt… (6)
p i = p i-1 + v i × Δt ... (7)

積分に先立ち、初期値を設定する必要がある。そこで、各方向の速度の初期値をゼロと仮定し、位置についても各周期の始点を原点とする。ここで接地時の安定状態において、上下・左右方向だけでなく、前後方向においても足の振り出し運動に比べ十分小さいので0に近似する。これを基に各方向に関して式(6)、(7)の二重積分を行い、歩行時の足首の軌道を推定する。 It is necessary to set the initial value before integration. Therefore, it is assumed that the initial value of the velocity in each direction is zero, and the origin of the position is the start point of each cycle. Here, in the stable state at the time of touchdown, it is close to 0 because it is sufficiently smaller than the swinging motion of the foot not only in the vertical and horizontal directions but also in the front-back direction. Based on this, the double integrals of equations (6) and (7) are performed in each direction to estimate the trajectory of the ankle during walking.

ここで積分によるノイズの累積を考慮しなければならない。そこで、角度、速度、位置を積分して求める際に、各周期の始点と終点の両方向から積分して得られた2つの波形について、始点・終点からの距離に応じた重みを式(8)、(9)のようにとり、式(10)にしたがい加重平均をとる。ただし、iは各周期における時刻(つまり何番目のサンプリング点か)を示し、各周期の総サンプル数(つまり、周期がΔtの何倍か)を示す。 Here, the accumulation of noise due to integration must be considered. Therefore, when the angle, velocity, and position are integrated and obtained, the weights according to the distances from the start point and end point are given to the two waveforms obtained by integrating from both the start point and end point of each cycle (8). , (9), and take the weighted average according to the equation (10). However, i indicates the time in each cycle (that is, what number of sampling points), and indicates the total number of samples in each cycle (that is, how many times the cycle is Δt).

本実施の形態ではパラメータmは0.1程度とすることが好ましい。また逆方向から積分(時間軸を戻る方向)する際にも初期値を設定しなければならない。そこで、速度、位置については同様に0とし、角度の初期値は次の周期の始点の角度と同一とする。
=1−w …(8)
=1/{1+exp{−m(i−T/2)}} …(9)
V=w1×Vfwrd+w2×Vback …(10)
In the present embodiment, the parameter m is preferably about 0.1. In addition, the initial value must be set when integrating from the opposite direction (direction returning from the time axis). Therefore, the velocity and position are similarly set to 0, and the initial value of the angle is set to be the same as the angle of the start point of the next cycle.
w 1 = 1-w 2 ... (8)
w 2 = 1 / {1 + exp {-m (i-T / 2)}} ... (9)
V = w1 × V frd + w2 × V back … (10)

つまり、各周期の境界、つまり始点と終点での誤差が小さいことを利用し、ある周期の始点から時間を進める方向の積分と、その周期の終点から時間を戻る方向の積分を、係数w,wにて重み付けして加算することで、誤差の影響を低減することができる。In other words, taking advantage of the small error between the boundary of each cycle, that is, the start point and the end point, the integral in the direction of advancing the time from the start point of a certain cycle and the integral in the direction of returning the time from the end point of the cycle are calculated by the coefficient w 1. By weighting and adding with, w 2 , the influence of error can be reduced.

最後に、X軸角度の初期値を0に仮定した誤差を補正しなければならない。図21(a)は、X軸角度の補正を説明する図である。もし、初期姿勢でφ傾いていたとすると、図21のように原点と終点を結んだ直線が進行方向からφ傾くことになる。そこで、上記の累積誤差対策を行わずに側面方向の位置を求め、側面-進行方向平面において終点が進行方向と一致するように軌道を回転して補正する(S110)。軌道の回転は行列演算で行うことができる。図21(b)は、実施の形態に係る推定手法により、歩行時の加速度および角速度データから得られた足首の三次元軌道(1周期分)を示す図である。 Finally, the error assuming that the initial value of the X-axis angle is 0 must be corrected. FIG. 21A is a diagram illustrating correction of the X-axis angle. If the initial posture is φ tilted, the straight line connecting the origin and the end point will be φ tilted from the traveling direction as shown in FIG. Therefore, the position in the side surface direction is obtained without taking the above-mentioned cumulative error countermeasure, and the trajectory is rotated and corrected so that the end point coincides with the traveling direction in the side surface-traveling direction plane (S110). The rotation of the orbit can be performed by matrix operation. FIG. 21B is a diagram showing a three-dimensional trajectory (for one cycle) of the ankle obtained from acceleration and angular velocity data during walking by the estimation method according to the embodiment.

3.2 歩行の特徴量
続いて、歩行に関する特徴量を説明する。特徴量にも様々なものが考えられるが、ここではその一例として、上記の方法で推定された足首軌道の前後方向、左右方向、および上下方向の特徴量に注目する。具体的には、前後方向は歩幅になり、左右方向は振れ幅、上下方向は足の持ち上げ量になる。これらの平均値(1次統計量)と分散(2次統計量)に注目すると、PD患者は歩幅と持ち上げ量のいずれにおいても平均値は小さく、分散(軌道の揺らぎ)は大きいという特徴が観察された。健常者では逆になり、歩幅と持ち上げ量のいずれにおいても平均値は大きく、分散は小さくなっていた。このことは両群を分離する上で有効な特徴量であることを意味している。これはPD患者の病期に関する自動診断に向けて重要な知見である。
3.2 Characteristic amount of walking Next, the feature amount related to walking will be described. Various features can be considered, but here, as an example, attention is paid to the features estimated by the above method in the anterior-posterior direction, the left-right direction, and the vertical direction. Specifically, the stride is in the front-back direction, the swing width is in the left-right direction, and the lift amount of the foot is in the up-down direction. Focusing on these mean values (primary statistic) and variance (secondary statistic), PD patients are characterized by a small mean value and a large variance (orbital fluctuation) in both stride length and lift amount. Was done. In healthy subjects, the opposite was true, and the mean value was large and the variance was small in both stride length and lifting amount. This means that it is an effective feature amount for separating the two groups. This is an important finding for automatic diagnosis of the stage of PD patients.

これ以外の特徴量としても、いくつか考えられる。上記の計測は足首軌道に関する統計的な特徴量の例であったが、空間的な相関や時間的な相関に拡張することで更なる特徴量を定義することが可能になる。 There are several possible features other than this. The above measurement was an example of statistical features related to ankle trajectory, but it is possible to define further features by expanding to spatial correlation and temporal correlation.

たとえばひとつの足首だけでなく複数地点で計測すれば空間的な特徴を考慮に入れることができる。PD患者はHoehn-Yahr分類1度では一側性パーキンソニズムが現れ、2度では両側性パーキンソニズムが現れることが知られている。したがって右半身と左半身での違いを空間的に特徴づけることにより、両者の判別が可能になる。あるいは足首に加えて、あるいはそれに代えて、腰や膝の軌道を測定してもよい。特に足首軌道と腰軌道を組み合わせることは有用である。さらに軌道の時間変動に関わる特徴を考慮に入れることもできる。PD患者は重度になると運動の揺らぎにおける時間相関が低いことが知られている。したがって自己相関関数、相互相関関数、あるいは自己相似性の評価も有効になる。 For example, spatial features can be taken into account by measuring at multiple points, not just one ankle. It is known that PD patients develop unilateral parkinsonism in Hoehn-Yahr classification 1st degree and bilateral parkinsonism in 2nd degree. Therefore, by spatially characterizing the difference between the right and left halves, it is possible to distinguish between the two. Alternatively, the hip or knee trajectory may be measured in addition to or instead of the ankle. In particular, it is useful to combine ankle orbit and hip orbit. Furthermore, the characteristics related to the time fluctuation of the orbit can be taken into consideration. It is known that PD patients have a low time correlation in motor fluctuations when they become severe. Therefore, evaluation of autocorrelation function, cross-correlation function, or self-similarity is also effective.

図22は、横軸に前後方向を、縦軸に高さ方向をとったときの足首の軌道を示す図である。足の持ち上げ量に関して、最高点PMAXのみならず、図中、枠で囲んだ足が接地する直前の高さPLOWについても、特徴量として定義することが可能となる。また、この特徴量について、高さが低くなると、歩行時に足を躓いてしまう可能性が高くなる。そのため、計測対象者に対して提示するのに直観的な特徴量となる。FIG. 22 is a diagram showing the trajectory of the ankle when the horizontal axis is the front-back direction and the vertical axis is the height direction. Regarding the amount of lift of the foot, not only the highest point PMAX but also the height PLOW immediately before the foot surrounded by the frame touches the ground in the figure can be defined as a feature amount. In addition, if the height of this feature is low, there is a high possibility that the foot will stumble when walking. Therefore, it is an intuitive feature quantity to be presented to the measurement target person.

3.3 歩行に関する実験結果
以下、歩行に関する実験とそこから得られた知見について説明する。
(実験4)
実験4において参加者は4群に分類される。
・重度PD患者 27名(男性12名、女性15名)
・軽度PD患者 30名(男性14名、女性16名)
・高齢健常者 24名(男性12名、女性12名)
・若年健常者 25名(男性24名、女性1名)
軽度は、修正Hoehn-Yahr分類の1.0〜2.0度、重度は、修正Hoehn-Yahr分類の2.5〜4.0度に相当する。
3.3 Results of experiments on walking The following describes the experiments on walking and the findings obtained from them.
(Experiment 4)
In Experiment 4, participants are classified into 4 groups.
・ 27 patients with severe PD (12 males, 15 females)
・ 30 patients with mild PD (14 males, 16 females)
・ 24 healthy elderly people (12 men and 12 women)
・ 25 healthy young people (24 men and 1 woman)
Mild corresponds to 1.0-2.0 degrees in the modified Hoehn-Yahr classification, and severe corresponds to 2.5-4.0 degrees in the modified Hoehn-Yahr classification.

実験4では、6つの特徴量を抽出した。図23は、歩行軌道に関する特徴量を説明する図である。横軸は前後方向を、縦軸は高さ方向を表し、歩行1周期が示される。分割点(Split Point)1,2,3はそれぞれ、かかと離地、鉛直方向の最大点、足の振り下ろし開始点を示す。 In Experiment 4, six features were extracted. FIG. 23 is a diagram for explaining a feature amount related to the walking trajectory. The horizontal axis represents the front-back direction, the vertical axis represents the height direction, and one walking cycle is shown. Split Points 1, 2, and 3 indicate the heel takeoff, the maximum point in the vertical direction, and the starting point for swinging down the foot, respectively.

6つの特徴量は以下の通りである。
特徴量1:分割点1における進行方向の変位
特徴量2:分割点2における進行方向の変位
特徴量3:分割点3における進行方向の変位
特徴量4:分割点4における進行方向の変位
特徴量5:分割点5における進行方向の変位
特徴量6:分割点6における進行方向の変位
The six features are as follows.
Feature 1: Displacement in the traveling direction at the dividing point 1: Displacement in the traveling direction at the dividing point 2: Displacement in the traveling direction at the dividing point 2: Displacement in the traveling direction at the dividing point 3: Displacement in the traveling direction at the dividing point 4 Characteristic amount 4: Displacement in the traveling direction at the dividing point 4. 5: Displacement in the traveling direction at the dividing point 5 Feature 6: Displacement in the traveling direction at the dividing point 6.

選定した特徴量に主成分分析を適用することで、2次元の特徴空間に縮約した。全参加者の歩行データに対して主成分分析を行い、得られた第一主成分と第二主成分を特徴ベクトルとして定義する。 By applying principal component analysis to the selected features, the contraction was reduced to a two-dimensional feature space. Principal component analysis is performed on the walking data of all participants, and the obtained first and second principal components are defined as feature vectors.

この特徴空間において、機械学習を用いて分類器の構築を行った。本実験では、軽度PD患者と健常高齢者、軽度PD患者と重度PD患者の分類を行う2つの分類器をSVMにより構築した。最後に、分類器の評価として10分割交差検定を用いた。 In this feature space, we constructed a classifier using machine learning. In this experiment, two classifiers were constructed by SVM to classify mild PD patients and healthy elderly patients, and mild PD patients and severe PD patients. Finally, a 10-fold cross-validation was used to evaluate the classifier.

図24(a)、(b)は、主成分分析における第一主成分と第二主成分の因子負荷量を示す図である。それぞれの主成分の寄与率は第一主成分が48.8%、第2主成分が30.2%であった。累積寄与率は79%である。 FIGS. 24 (a) and 24 (b) are diagrams showing factor loadings of the first principal component and the second principal component in the principal component analysis. The contribution ratio of each principal component was 48.8% for the first principal component and 30.2% for the second principal component. The cumulative contribution rate is 79%.

図24(a)を見ると、第一主成分については特徴量4〜6の因子負荷量が大きい傾向にあった。これに対して図24(b)を見ると、第二主成分は特徴量1〜3が寄与していることが分かる。第一主成分は歩行軌道の進行方向成分、第二主成分は鉛直方向成分が大きく関与する量といえる。また、累積寄与率は79.0%であるため、歩行軌道から得られる6つの特徴量を2次元の特徴空間に十分に縮約できているといえる。 Looking at FIG. 24 (a), the factor loadings of the feature amounts 4 to 6 tended to be large for the first principal component. On the other hand, looking at FIG. 24 (b), it can be seen that the feature amounts 1 to 3 contribute to the second principal component. It can be said that the first principal component is the amount in which the traveling direction component of the walking trajectory is largely involved, and the second principal component is the amount in which the vertical component is largely involved. Moreover, since the cumulative contribution rate is 79.0%, it can be said that the six feature quantities obtained from the walking trajectory can be sufficiently reduced to the two-dimensional feature space.

図25は、各参加者の歩行状態をプロットした特徴空間を示す図である。横軸は第一主成分、縦軸は第二主成分を示している。 FIG. 25 is a diagram showing a feature space in which the walking state of each participant is plotted. The horizontal axis represents the first principal component and the vertical axis represents the second principal component.

図26(a)は、軽度PD群と健常高齢群にSVMを適用した結果を示す図である。黒の実線は分類境界である。10分割交差検定による各分類器の精度は92.6%であった。図26(b)は、軽度PD群と重度PD群にSVMを行った結果を示す図である。10分割交差検定による各分類器の精度は76.8%であった。 FIG. 26A is a diagram showing the results of applying SVM to the mild PD group and the healthy elderly group. The solid black line is the classification boundary. The accuracy of each classifier by 10-fold cross-validation was 92.6%. FIG. 26B is a diagram showing the results of performing SVM on the mild PD group and the severe PD group. The accuracy of each classifier by 10-fold cross-validation was 76.8%.

Kluckenらは、Hoehn-Yahr重症度の(H&Y)I(1度)と健常者、H&Y II(1度)と健常者の分類を行い、その精度はそれぞれ70%、86%であることを示した(Klucken, et al. "Unbiased and mobile gait analysis detects motor impairment in Parkinson's disease," PloS One, vol.8, no.2, e56956 (2013))。この結果と比べても、本システムの精度は高いと言える。 Klucken et al. Classified Hoehn-Yahr severity (H & Y) I (1 degree) and healthy subjects, and H & Y II (1 degree) and healthy subjects, and showed that the accuracy was 70% and 86%, respectively. (Klucken, et al. "Unbiased and mobile gait analysis detects motor impairment in Parkinson's disease," PloS One, vol.8, no.2, e56956 (2013)). Compared to this result, it can be said that the accuracy of this system is high.

実施の形態に係る自動診断装置1は足首にセンサを取り付けるだけの簡易なシステムであり、歩行を計測するという簡便な手法である。その手法で高い精度で分類できたということは、歩行軌道がPDの診断支援に有効であることを証左である。また、軽度PD群と重度PD群の分類精度は76.8%であった。これは、定義した特徴空間が、PDの姿勢反射障害を捉えるのに適切ではなかったといえ、改善の余地がある。 The automatic diagnostic device 1 according to the embodiment is a simple system in which a sensor is simply attached to the ankle, and is a simple method of measuring walking. The fact that the method was able to classify with high accuracy proves that the walking trajectory is effective in supporting the diagnosis of PD. The classification accuracy of the mild PD group and the severe PD group was 76.8%. It can be said that the defined feature space was not suitable for capturing postural instability of PD, and there is room for improvement.

さらに、特徴空間を二次元に縮約したことで、歩容の変化を視覚化することが可能となる。実施の形態に係る自動診断装置1は小型センサを用いることで、環境を限定しない計測が実現される.そのため、自宅などの日常的な環境における利用が期待される。このとき、専門家がいない状況下で使用者自身が利用することが想定され、分析結果が分かりやすい形でフィードバックされなければならない。そこで、特徴量や指標といった数値ではなく、図のような視覚的な情報が直観的で分かりやすく自身の歩行状態を把握することができると考えられる。 Furthermore, by reducing the feature space to two dimensions, it is possible to visualize changes in gait. By using a small sensor in the automatic diagnostic device 1 according to the embodiment, measurement that does not limit the environment is realized. Therefore, it is expected to be used in everyday environments such as home. At this time, it is assumed that the user himself / herself will use it in the absence of an expert, and the analysis result must be fed back in an easy-to-understand format. Therefore, it is considered that visual information as shown in the figure, rather than numerical values such as features and indicators, can be intuitively and easily understood to grasp one's walking state.

これまでで、運動計測部10において測定される運動、ならびに特徴抽出部20において生成される特徴量について、いくつかの例をもとに詳細に説明した。続いて、これらの特徴量(特徴ベクトル)にもとづく、インタープリタ30による診断を説明する。 So far, the motion measured by the motion measuring unit 10 and the feature amount generated by the feature extracting unit 20 have been described in detail based on some examples. Subsequently, the diagnosis by the interpreter 30 based on these feature quantities (feature vectors) will be described.

インタープリタ30においては、いくつかの特徴量を基に特徴ベクトルが構成される。
特徴ベクトルを構成するにあたり、一般に特徴量が多いほど分類の精度が高くなるが、計算コストが高くなる。異なる特徴量間において、相関が高いほど、それらを組み合わせた際の情報量はさして多くならないと考えられる。そこで、必要に応じ主成分分析を用いて特徴量の取捨選択・再構成を行う。これにより、分類精度を大きく下げることなく計算コストを下げることが可能となる。また、対象となる疾患や応用課題に応じて、適切な特徴ベクトルを構成することにより、診断精度などのパフォーマンスを上げることが可能となる。
In the interpreter 30, a feature vector is constructed based on some feature quantities.
In constructing a feature vector, in general, the larger the feature amount, the higher the classification accuracy, but the higher the calculation cost. It is considered that the higher the correlation between different feature quantities, the less the amount of information when they are combined. Therefore, feature quantities are selected and reconstructed using principal component analysis as necessary. This makes it possible to reduce the calculation cost without significantly reducing the classification accuracy. In addition, it is possible to improve performance such as diagnostic accuracy by constructing an appropriate feature vector according to the target disease and application problem.

図27は、若年健常者とHoehn-Yahr分類1度と2度のそれぞれの特徴ベクトル上での分布の一例を示す図である。ここでは、特徴ベクトルとして、背中の左右方向の傾きの分散と、背中の前後方向の傾きの分散の組み合わせが選択されている。機械学習により各群を分割する適切な超平面(図27に実線で示す)を生成することにより、特徴ベクトルにもとづいて、Hoehn-Yahr分類を自動診断が可能であることが分かる。 FIG. 27 is a diagram showing an example of distribution on feature vectors of young healthy subjects and Hoehn-Yahr classifications 1 degree and 2 degrees, respectively. Here, as the feature vector, a combination of the dispersion of the inclination of the back in the left-right direction and the dispersion of the inclination of the back in the front-back direction is selected. It can be seen that the Hoehn-Yahr classification can be automatically diagnosed based on the feature vector by generating an appropriate hyperplane (shown by a solid line in FIG. 27) that divides each group by machine learning.

機械学習に関しては、若年健常者、健常高齢者、対象疾患罹患者の計測データを集め、データベース22を構築する。そしてその情報を基に機械学習を行う。その結果、疾患の有無や重症度を分けるための識別器を構築することが可能となる。この識別器を用いることで、疾患の有無や重症度が明らかとなっていない対象の計測データに対して分類が可能となり、自動診断を実現できる。図28は、指先の振動計測データを基に、SVMを用いて構築した若年健常者とPD患者とを分類する識別器の一例を示す図である。 Regarding machine learning, a database 22 is constructed by collecting measurement data of young healthy persons, healthy elderly persons, and persons suffering from a target disease. Then, machine learning is performed based on the information. As a result, it becomes possible to construct a discriminator for classifying the presence or absence and severity of the disease. By using this discriminator, it is possible to classify the measurement data of a target whose presence or absence of disease and its severity are not clear, and automatic diagnosis can be realized. FIG. 28 is a diagram showing an example of a discriminator for classifying a young healthy person and a PD patient constructed by using SVM based on the vibration measurement data of the fingertip.

PD症状の早期発見は、治療の観点で特に重要といえる。実施の形態に係る自動診断装置1は、健常者と軽度PD患者を高精度で識別可能であることから、PD病患者の治療に大きく貢献するものである。 Early detection of PD symptoms is particularly important from a therapeutic point of view. Since the automatic diagnostic apparatus 1 according to the embodiment can distinguish between a healthy person and a mild PD patient with high accuracy, it greatly contributes to the treatment of a PD disease patient.

実施の形態に係る自動診断装置1によれば、PD病を例にした重症度の自動診断システムが実現できる。本システムでは自動診断のみならず、その他にも応用が考えられる。その一つに、症状の定量的評価を利用した薬効評価が挙げられる。服薬の前後で本システムを用いて計測し解析することで、その薬がどの症状に対してどの程度効果があるかを確認することが可能となる。また、日常的に本システムを使用することで、患者が薬効が持続しているかを把握することが可能となり、服薬のタイミングを本システムによって示唆することが可能となる。 According to the automatic diagnostic apparatus 1 according to the embodiment, an automatic diagnostic system for the severity of PD disease as an example can be realized. This system can be applied not only to automatic diagnosis but also to other applications. One of them is drug efficacy evaluation using quantitative evaluation of symptoms. By measuring and analyzing using this system before and after taking the drug, it is possible to confirm how effective the drug is for which symptom. In addition, by using this system on a daily basis, it becomes possible for the patient to grasp whether the drug effect is sustained, and it is possible to suggest the timing of taking the drug by this system.

歩行障害や震戦はPD病の初期(軽度)において出やすい症状で、重度になると姿勢異常が発現する。そのため、歩行分析や震戦の分析で、健常者と軽度の患者の分離が可能になり、姿勢分析で重度の患者分析が可能になる。したがって、歩行、震え、姿勢は、補完的な関係にあるとも言え、したがってそれらをうまく組み合わせることで、PD病の重症度をより正確に判定することが可能となる。 Gait disturbance and seismic warfare are symptoms that are likely to occur in the early stage (mild) of PD disease, and when it becomes severe, postural abnormalities develop. Therefore, it is possible to separate healthy subjects from mild patients by gait analysis and tremor analysis, and it is possible to analyze severe patients by posture analysis. Therefore, it can be said that walking, tremor, and posture are complementary to each other, and therefore, by combining them well, it is possible to more accurately determine the severity of PD disease.

また、実施の形態ではPD病の診断について説明したが、神経変性疾患のように徐々に進行する疾患の早期診断にも本発明は有効であり、以下で示すような認知症の診断への応用も期待される。
・アルツハイマー型認知症
・レビー小体型認知症
・脳血管型認知症
・正常圧水頭症型認知症
Further, although the diagnosis of PD disease has been described in the embodiment, the present invention is also effective for early diagnosis of gradually progressing diseases such as neurodegenerative diseases, and its application to the diagnosis of dementia as shown below. Is also expected.
・ Alzheimer's disease ・ Lewy body dementias ・ Cerebrovascular dementia ・ Normal pressure hydrocephalus dementia

さらに本発明は、リハビリ過程の改善の程度を評価する用途にも使用することができる。具体的には以下のものが例示される。
脳卒中の片麻痺などに起因する運動障害のリハビリ
変形関節症など整形外科疾患による運動障害のリハビリ
Furthermore, the present invention can also be used to evaluate the degree of improvement in the rehabilitation process. Specifically, the following are exemplified.
Rehabilitation of movement disorders caused by hemiplegia of stroke, etc. Rehabilitation of movement disorders caused by orthopedic diseases such as osteoarthritis

実施の形態にもとづき、具体的な語句を用いて本発明を説明したが、実施の形態は、本発明の原理、応用を示しているにすぎず、実施の形態には、請求の範囲に規定された本発明の思想を逸脱しない範囲において、多くの変形例や配置の変更が認められる。 Although the present invention has been described using specific terms and phrases based on the embodiments, the embodiments merely indicate the principles and applications of the present invention, and the embodiments are defined in the claims. Many modifications and arrangement changes are permitted without departing from the ideas of the present invention.

1…自動診断装置、2…患者、10…運動計測部、12…センサ、14…マーカ、20…特徴抽出部、30…インタープリタ、32…データベース、S1…運動、S2…計測データ。 1 ... Automatic diagnostic device, 2 ... Patient, 10 ... Motion measurement unit, 12 ... Sensor, 14 ... Marker, 20 ... Feature extraction unit, 30 ... Interpreter, 32 ... Database, S1 ... Exercise, S2 ... Measurement data.

本発明は、脳神経性疾患の病理診断などに利用できる。 The present invention can be used for pathological diagnosis of cranial nerve diseases and the like.

Claims (13)

脳神経性疾患の自動診断装置であり、
患者に取り付けられる第1センサを含み、前記第1センサの出力データにもとづき、前記患者の足首の三次元の軌道を測定する運動計測部と、
前記運動計測部からの前記足首の軌道に関する第1計測データにもとづいて、前記足首の軌道の特徴量を抽出する特徴抽出部と、
前記足首の軌道の特徴量にもとづき、前記脳神経性疾患の診断結果を示す診断データを生成するインタープリタと、
を備え、
前記足首の軌道の特徴量は、振れ幅、足の持ち上げ量の少なくともひとつにもとづくものであり、
前記第1センサの前記出力データは、加速度データを含み、
前記運動計測部は、前記第1センサの出力データにもとづいて歩行周期を推定し、前記歩行周期ごとに出力データを分割し、前記歩行周期ごとに前記加速度データを積分することで、前記歩行周期ごとの前記足首の軌道を推定し、
前記運動計測部は、前記歩行周期によって分割された前記加速度データの始点から終点に向かって順方向で積分する第1積分値と、前記終点から前記始点に向かって逆方向で積分する第2積分値とに基づいて、前記足首の軌道を取得することを特徴とする自動診断装置。
It is an automatic diagnostic device for cranial nerve diseases.
A motion measuring unit that includes a first sensor attached to the patient and measures the three-dimensional trajectory of the patient's ankle based on the output data of the first sensor.
A feature extraction unit that extracts a feature amount of the ankle trajectory based on the first measurement data regarding the ankle trajectory from the motion measurement unit, and a feature extraction unit.
An interpreter that generates diagnostic data showing the diagnostic results of the cranial nerve disease based on the features of the ankle trajectory.
With
The feature amount of the ankle trajectory is based on at least one of the swing width and the lift amount of the foot.
The output data of the first sensor includes acceleration data.
The movement measuring unit estimates the walking cycle based on the output data of the first sensor, divides the output data for each walking cycle, and integrates the acceleration data for each walking cycle to integrate the walking cycle. estimating the trajectory of the ankle each,
The motion measuring unit has a first integral value that integrates in the forward direction from the start point to the end point of the acceleration data divided by the walking cycle, and a second integral value that integrates in the opposite direction from the end point to the start point. based on the value, automatic diagnostic devices you and acquires the trajectory of the ankle.
前記足首の軌道の特徴量は、さらに歩幅にもとづくことを特徴とする請求項1に記載の自動診断装置。 The automatic diagnostic apparatus according to claim 1, wherein the feature amount of the trajectory of the ankle is further based on the stride length. 前記インタープリタは、複数の前記足首の軌道の特徴量の組み合わせである特徴ベクトルにもとづいて、前記診断データを生成することを特徴とする請求項1または2に記載の自動診断装置。 The automatic diagnostic apparatus according to claim 1 or 2, wherein the interpreter generates the diagnostic data based on a feature vector which is a combination of feature quantities of a plurality of ankle trajectories. 前記インタープリタは、複数の患者に対して得られた前記足首の軌道の特徴量を蓄積したデータベースを参照し、前記データベースにもとづき、前記診断データを生成することを特徴とする請求項1から3のいずれかに記載の自動診断装置。 The interpreter according to claims 1 to 3, wherein the interpreter refers to a database accumulating features of the ankle trajectory obtained for a plurality of patients, and generates the diagnostic data based on the database. The automatic diagnostic device according to any one. 前記運動計測部は、前記患者に取り付けられる第2センサをさらに含み、前記第2センサの出力データにもとづき、前記患者の姿勢または振動の少なくとも一方である運動を測定し、
前記特徴抽出部は、前記運動計測部からの前記運動に関する第2計測データにもとづいて、前記運動の特徴量を抽出し、
前記インタープリタは、前記足首の軌道の特徴量に加えて、前記運動の特徴量にもとづいて、前記診断データを生成することを特徴とする請求項1から4のいずれかに記載の自動診断装置。
The motion measuring unit further includes a second sensor attached to the patient, and measures motion that is at least one of the posture or vibration of the patient based on the output data of the second sensor.
The feature extraction unit extracts the feature amount of the motion based on the second measurement data regarding the motion from the motion measurement unit.
The automatic diagnostic apparatus according to any one of claims 1 to 4, wherein the interpreter generates the diagnostic data based on the feature amount of the motion of the ankle in addition to the feature amount of the trajectory of the ankle.
脳神経性疾患の自動診断装置であり、
患者に取り付けられる第1センサを含み、前記第1センサの出力データにもとづき、前記患者の足首の軌道を測定する運動計測部と、
前記運動計測部からの前記足首の軌道に関する第1計測データにもとづいて、前記足首の軌道の特徴量を抽出する特徴抽出部と、
前記足首の軌道の特徴量にもとづき、前記脳神経性疾患の診断結果を示す診断データを生成するインタープリタと、
を備え、
前記第1センサの前記出力データは、加速度データを含み、
前記運動計測部は、前記第1センサの出力データにもとづいて歩行周期を推定し、前記歩行周期ごとに出力データを分割し、前記歩行周期ごとに前記加速度データを積分することで、前記歩行周期ごとの前記足首の軌道を推定し、
前記運動計測部は、前記歩行周期によって分割された前記加速度データの始点から終点に向かって順方向で積分する第1積分値と、前記終点から前記始点に向かって逆方向で積分する第2積分値とに基づいて、前記足首の軌道を取得することを特徴とする自動診断装置。
It is an automatic diagnostic device for cranial nerve diseases.
A motion measuring unit that includes a first sensor attached to the patient and measures the trajectory of the patient's ankle based on the output data of the first sensor.
A feature extraction unit that extracts a feature amount of the ankle trajectory based on the first measurement data regarding the ankle trajectory from the motion measurement unit, and a feature extraction unit.
An interpreter that generates diagnostic data showing the diagnostic results of the cranial nerve disease based on the features of the ankle trajectory.
With
The output data of the first sensor includes acceleration data.
The movement measuring unit estimates the walking cycle based on the output data of the first sensor, divides the output data for each walking cycle, and integrates the acceleration data for each walking cycle to integrate the walking cycle. Estimate the trajectory of the ankle for each
The motion measuring unit has a first integral value that integrates in the forward direction from the start point to the end point of the acceleration data divided by the walking cycle, and a second integral value that integrates in the opposite direction from the end point to the start point. An automatic diagnostic device characterized by acquiring the trajectory of the ankle based on a value.
前記第1センサの前記出力データは、角速度データを含み、
前記運動計測部は、前記角速度データにもとづいて、前記歩行周期を推定することを特徴とする請求項1から6のいずれかに記載の自動診断装置。
The output data of the first sensor includes angular velocity data.
The automatic diagnostic apparatus according to any one of claims 1 to 6, wherein the motion measuring unit estimates the walking cycle based on the angular velocity data.
前記角速度データがゼロ近傍となる点を基準として前記歩行周期を推定することを特徴とする請求項に記載の自動診断装置。 The automatic diagnostic apparatus according to claim 7 , wherein the walking cycle is estimated with reference to a point at which the angular velocity data is near zero. 前記運動計測部は、前記歩行周期ごとに、前記加速度データを1階積分して得られる速度データをゼロに初期化することを特徴とする請求項に記載の自動診断装置。 The automatic diagnostic apparatus according to claim 8 , wherein the motion measuring unit initializes the speed data obtained by integrating the acceleration data to zero for each walking cycle. 前記運動計測部は、前記第1積分値と前記第2積分値との加重平均に基づいて、前記足首の軌道を取得することを特徴とする請求項1から9のいずれかに記載の自動診断装置。 The automatic diagnosis according to any one of claims 1 to 9, wherein the motion measuring unit acquires the trajectory of the ankle based on a weighted average of the first integrated value and the second integrated value. Device. 前記第1積分値に対する加重の係数は、前記始点に近いほど大きく、前記第2積分値に対する加重の係数は、前記終点に近いほど大きいことを特徴とする請求項10に記載の自動診断装置。 The automatic diagnostic apparatus according to claim 10 , wherein the weighting coefficient with respect to the first integrated value is larger as it is closer to the start point, and the weighting coefficient with respect to the second integrated value is larger as it is closer to the end point. 前記運動計測部は、前記足首の軌道を、前記足首の軌道の前記歩行周期の始点において、Z軸周りにおける角度がゼロになるように補正することを特徴とする請求項1から11のいずれかに記載の自動診断装置。 Any of claims 1 to 11 , wherein the motion measuring unit corrects the trajectory of the ankle so that the angle around the Z axis becomes zero at the start point of the walking cycle of the trajectory of the ankle. The automatic diagnostic device described in. 前記第1センサの前記出力データは、角速度データをさらに含み、
前記運動計測部は、前記角速度データに基づいて回転補正した前記加速度データを利用して前記足首の軌道を取得することを特徴とする請求項1から12のいずれかに記載の自動診断装置。
The output data of the first sensor further includes angular velocity data.
The automatic diagnostic apparatus according to any one of claims 1 to 12 , wherein the motion measuring unit acquires the trajectory of the ankle by using the acceleration data corrected for rotation based on the angular velocity data.
JP2017545473A 2015-10-14 2016-10-13 Automatic diagnostic device Active JP6951750B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021150341A JP7184398B2 (en) 2015-10-14 2021-09-15 automatic diagnostic equipment

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2015203165 2015-10-14
JP2015203165 2015-10-14
PCT/JP2016/080447 WO2017065241A1 (en) 2015-10-14 2016-10-13 Automated diagnostic device

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2021150341A Division JP7184398B2 (en) 2015-10-14 2021-09-15 automatic diagnostic equipment

Publications (2)

Publication Number Publication Date
JPWO2017065241A1 JPWO2017065241A1 (en) 2018-08-09
JP6951750B2 true JP6951750B2 (en) 2021-10-20

Family

ID=58518230

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2017545473A Active JP6951750B2 (en) 2015-10-14 2016-10-13 Automatic diagnostic device
JP2021150341A Active JP7184398B2 (en) 2015-10-14 2021-09-15 automatic diagnostic equipment

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2021150341A Active JP7184398B2 (en) 2015-10-14 2021-09-15 automatic diagnostic equipment

Country Status (2)

Country Link
JP (2) JP6951750B2 (en)
WO (1) WO2017065241A1 (en)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6846678B2 (en) * 2017-03-24 2021-03-24 パナソニックIpマネジメント株式会社 Cognitive function evaluation support device, cognitive function evaluation support method and program
JP6960618B2 (en) * 2017-09-11 2021-11-05 国立研究開発法人国立精神・神経医療研究センター Clinical evaluation device, clinical evaluation method and clinical evaluation program
US11779259B2 (en) * 2018-03-23 2023-10-10 Panasonic Intellectual Property Management Co., Ltd. Cognitive function evaluation device, cognitive function evaluation system, cognitive function evaluation method, and recording medium
KR102269659B1 (en) * 2018-10-08 2021-06-25 (주) 와키 Knee protector, and Method for predicting disease information based on IoT using knee protector
JP7276018B2 (en) * 2019-03-11 2023-05-18 富士通株式会社 LEARNING METHOD, ESTIMATION METHOD AND LEARNING PROGRAM
JP7421703B2 (en) * 2020-02-21 2024-01-25 公立大学法人会津大学 Classification program, classification device and classification method
JP6887632B1 (en) * 2020-10-07 2021-06-16 国立大学法人宇都宮大学 Drug efficacy evaluation system for movement disorders
JP2022107432A (en) * 2021-01-08 2022-07-21 富士通株式会社 Walking state determination system, walking state determination method and walking state determination program
US20240170153A1 (en) * 2021-03-30 2024-05-23 Medicolab Co., Ltd. Diagnosis prediction system using digital device, learning device, computer program, diagnosis prediction method, and prediction model generation/updating method
WO2022244222A1 (en) * 2021-05-21 2022-11-24 日本電気株式会社 Estimation device, estimation system, estimation method, and recording medium
US20240175893A1 (en) * 2021-06-22 2024-05-30 Sony Group Corporation Information processing apparatus, information processing method, and program
JP7141610B1 (en) 2022-01-31 2022-09-26 株式会社ワコール Program, device and method for statistically analyzing posture based on skeleton from skin model

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03155836A (en) * 1989-11-15 1991-07-03 Nagashima Ika Kikai Kk Training device for recovering balance function
US7127376B2 (en) * 2003-09-23 2006-10-24 Neurocom International, Inc. Method and apparatus for reducing errors in screening-test administration
JP4292247B2 (en) * 2003-11-20 2009-07-08 堅造 赤澤 Motion analysis device and use thereof
JP2005160747A (en) * 2003-12-03 2005-06-23 Research Institute Of Application Technologies For Chaos & Complex Systems Co Ltd Apparatus and method for evaluating and supporting gait disorder
US8702629B2 (en) * 2005-03-17 2014-04-22 Great Lakes Neuro Technologies Inc. Movement disorder recovery system and method for continuous monitoring
WO2008030405A2 (en) * 2006-09-06 2008-03-13 Individual Monitoring Systems, Inc Fully ambulatory, self-contained gait monitor
JP5421571B2 (en) * 2008-11-05 2014-02-19 国立大学法人弘前大学 Walking characteristic evaluation system and locus generation method
JP5359414B2 (en) * 2009-03-13 2013-12-04 沖電気工業株式会社 Action recognition method, apparatus, and program
JP5330933B2 (en) * 2009-08-27 2013-10-30 日立コンシューマエレクトロニクス株式会社 Motor function evaluation system, motor function evaluation method and program
JP5607952B2 (en) * 2010-02-26 2014-10-15 国立大学法人東京工業大学 Gait disorder automatic analysis system
JP5631827B2 (en) * 2011-09-13 2014-11-26 株式会社東芝 Walking evaluation device
EP3912674A1 (en) * 2013-01-21 2021-11-24 Cala Health, Inc. Devices for controlling tremor
JP2014138873A (en) * 2014-02-26 2014-07-31 Yunimekku:Kk Symptom diagnosis system with three-dimensional accelerometer for brain/neurological diseases

Also Published As

Publication number Publication date
JP7184398B2 (en) 2022-12-06
JPWO2017065241A1 (en) 2018-08-09
WO2017065241A1 (en) 2017-04-20
JP2021184964A (en) 2021-12-09

Similar Documents

Publication Publication Date Title
JP6951750B2 (en) Automatic diagnostic device
Ricci et al. Assessment of motor impairments in early untreated Parkinson's disease patients: the wearable electronics impact
Wong et al. Clinical applications of sensors for human posture and movement analysis: a review
WO2021046583A1 (en) Gait-based assessment of neurodegeneration
KR102107379B1 (en) Method for Prediction Frailty Using Triple Axis Motion Meter, Prediction Frailty System using Triple Axis Motion Meter and Wearable Prediction Frailty Device
Rocha et al. Parkinson's disease assessment based on gait analysis using an innovative RGB-D camera system
Ayachi et al. Wavelet-based algorithm for auto-detection of daily living activities of older adults captured by multiple inertial measurement units (IMUs)
Giuberti et al. Automatic UPDRS evaluation in the sit-to-stand task of Parkinsonians: Kinematic analysis and comparative outlook on the leg agility task
van Meulen et al. Assessment of daily-life reaching performance after stroke
WO2015162158A1 (en) Human motion tracking
Guess et al. Comparison of Azure Kinect overground gait spatiotemporal parameters to marker based optical motion capture
Similä et al. Accelerometry-based berg balance scale score estimation
Piórek et al. Quaternions and joint angles in an analysis of local stability of gait for different variants of walking speed and treadmill slope
Atallah et al. Detecting walking gait impairment with an ear-worn sensor
Rahimi et al. Capturing whole-body mobility of patients with Parkinson disease using inertial motion sensors: expected challenges and rewards
Malik et al. An intelligent recovery progress evaluation system for ACL reconstructed subjects using integrated 3-D kinematics and EMG features
Cai et al. Quantitative assessment of parkinsonian tremor based on a linear acceleration extraction algorithm
Matthew et al. Estimating sit-to-stand dynamics using a single depth camera
Giuberti et al. Linking UPDRS scores and kinematic variables in the leg agility task of Parkinsonians
Pandit et al. Abnormal gait detection by classifying inertial sensor data using transfer learning
Soltaninejad et al. Body movement monitoring for Parkinson’s disease patients using a smart sensor based non-invasive technique
Manap et al. Anomaly gait classification of parkinson disease based on ann
Gonzalez-Islas et al. Human gait analysis based on automatic recognition: A review
Hernandez et al. From on-body sensors to in-body data for health monitoring and medical robotics: A survey
Shoryabi et al. A 3D deep learning approach for classification of gait abnormalities using Microsoft Kinect V2 sensor

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170810

A529 Written submission of copy of amendment under article 34 pct

Free format text: JAPANESE INTERMEDIATE CODE: A5211

Effective date: 20170731

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190927

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201006

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201204

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210511

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210709

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210817

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210916

R150 Certificate of patent or registration of utility model

Ref document number: 6951750

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250